基于高分辨率多光譜影像的溫瑞塘河水質反演模型研究

冼翠玲，張艷軍,，張明琴，蔣 婷，林沛榕，商 栩

(1.武漢大學水資源與水電工程科學國家重點實驗室，武漢 430072；2.溫州市環境監測中心站，浙江 溫州 325003；3.浙南水科學研究院，浙江 溫州 325035)

0 引 言

溫瑞塘河位于甌江以南、飛云江以北的溫瑞平原，整個流域面積740 km2，河網總長度1 178.4 km，其縱橫交錯的水系河道，對溫瑞平原的經濟和社會發展起著十分重要的作用。然而，隨著經濟發展，溫瑞塘河水環境逐漸惡化，塘河水污染已經到了極其嚴重的程度，因此，對溫瑞塘河的水質狀況開展監測研究和治理具有十分重要的現實意義。

目前，溫州市常見水質監測手段主要為人工采樣監測，這種監測方法在精度上有一定準確性，但耗時、費力、成本高，獲取的水質數據也十分有限。然而，溫瑞塘河水網復雜，排污口眾多且隱蔽，使得水質的空間分布差異明顯，十分有限的監測斷面完全不足以反映溫瑞塘河的水質時空分布情況，不但難以定位污染源和敏感區，難以監控水功能區，也從根本上制約了水環境整治和管理工作。遙感水質監測技術具有空間全覆蓋、快速和成本低的優勢[1]。同時，遙感帶來的海量數據可以方便地分析和預測水質在空間和時間上的分布和變化情況，發現一些常規方法難以揭示的污染源和污染物遷移特征，十分適宜溫瑞塘河水污染治理的需求[2]。

水質遙感是指利用遙感技術對水質指標進行監測，并根據遙感波段的信息與水質指標的光譜特征，建立反演模型對水質指標的濃度進行預測。自20世紀70年代初期開始，遙感技術在內陸水體的研究中得到了推廣，各國也加大了對遙感監測環境的支持，使用多種遙感影像，廣泛地開展水質遙感反演研究[3,4]。聞建光等[5]基于Hyperion星載高光譜遙感影像，運用波段比值法、一階微分處理技術構建了太湖葉綠素a濃度的反演模型；呂恒等[6]提出利用TM影像反演太湖葉綠素a濃度的最佳波段組合是TM3/(TM1+TM4)；Hans等[7]利用機載高光譜數據進行水質監測，采用矩陣反演模型反演葉綠素濃度，也取得了比較好的效果；Zhang等[8]以太湖為例，研究了在極其渾濁的內陸水體中遙感反演葉綠素a的方法，并建立了一個精度較高的三波段反演模型；Shi等[9]從實測數據中發現MODIS-Aqua影像與總懸浮物在645nm的波長處具有極強的相關性，據此發展了適應性極強的總懸浮物經驗反演模型，并在太湖取得了良好的效果；Zhang等[10]針對新安江水庫水體渾濁、光學影響因素眾多等復雜情況，發展了一種分析方法，對于總懸浮物進行了遙感反演，取得了較好的效果。

非水色因子由于不具有顯著光譜特征，遙感反演相對困難，在機理并不完全清晰的情況下，仍然有不少運用統計方法和智能算法進行了反演推算的嘗試。王學軍[11]選取了太湖水質高錳酸鹽指數等7個監測參數，利用TM數據單波段或多波段組合的相關分析及主成分分析建立了太湖水質指標預測模型，指出利用單波段、多波段因子組合以及主成分分析等手段可以使遙感信息得到更充分的利用；王建平等[12]利用人工神經網絡模型方法基于TM數據反演了鄱陽湖總氮、總磷等水質指標；張霄宇等[13]利用水體懸浮物含量與顆粒態總磷含量的相關關系，對總磷進行反算，平均相對偏差為18%；Song等[4]利用遺傳算法和偏最小二乘法，通過葉綠素、總懸浮物、透明度和濁度的遙感反演結果，間接利用遙感反演美國印第安納州的總磷指標；Liu等[1]針對城市內湖和內河水質較差，污染濃度高的特點，利用多元線性回歸和人工神經網絡反演了溫州溫瑞塘河和黃石磁湖的總磷和總氮，研究了適用于城市水體的遙感定量模型。

本文基于遙感技術和數理統計基本理論，以溫瑞塘河為研究對象，利用高分辨率遙感數據和實測水質數據研究典型水質參數的遙感反演模型，并通過兩種反演模型預測結果精度對比來驗證水質遙感反演模型的可靠性，從而證明遙感反演技術的有效性和可行性，能夠作為溫州市水質監測數據的有益補充，將遙感反演模型應用于溫瑞塘河，快速得到全覆蓋的、低價的實時水質分布圖，為溫瑞塘河的水污染治理夯實基礎，提供充分支撐。

1 數據的采集與處理

1.1 溫瑞塘河區域監測點及其水質數據

監測中心在溫瑞塘河河網共布設了13個常規的監測點，他們分別是：A4、A5、B8、B9、B10、B11、B12、B15、C3、C4、C5、C6、C7，從圖1上看，這些監測點在溫瑞塘河區域分布均勻，在河流進口，河流出口及河流交叉處均有監測點，其監測點的數據代表性強，可以對此河流進行綜合的水質分析和評價。

本文利用2008年5月至2011年8月間這13個監測點的歷史水質數據，這些水質數據包括溫度、pH值、EC值、渾濁度、溶解氧(DO)、氨氮(NH3N)、總磷(TP)、總氮(TN)和總有機碳(TOC)等參數。本文主要分析溫瑞塘河兩個污染最為嚴重的水質參數：總氮和總磷。

圖1 溫瑞塘河監測點分布

1.2 遙感影像數據采集與預處理

本文采用了2010年11月20日的WorldView-Ⅱ影像和2008年12月21日的IKONOS影像，在衛星過境時間，在溫瑞塘河13個監測點進行了水質監測。其數據滿足了研究的要求：溫瑞塘河上空晴朗無云，大氣能見度高，遙感影像清晰。

遙感成像時，由于各種因素的影像，使得遙感影像存在一定的幾何畸變、大氣消光、輻射量失真等現象，這些畸變和失真現象影響了影像的質量和應用，必須進行消除，此操作即為遙感影像的預處理。

在購買WorldView-Ⅱ和IKONOS影像時，影像已經過幾何校正，故此次的預處理包括：輻射定標和大氣校正。

1.2.1 輻射定標

遙感影像數據是以DN (Digital Number)的形式記錄地物信息的，因此，在對影像進行應用時，先要把影像的DN值轉化為相應的輻射亮度值，這一過程叫作輻射定標，又叫作輻射校正。

本文利用ENVI軟件自帶的WorldView-Ⅱ和IKONOS影像的輻射定標工具，將輻射定標后的圖像轉換為.BIL格式，為進行FLAASH大氣校正奠定基礎。

1.2.2 FLAASH大氣校正

大氣校正是水色遙感的關鍵問題。由于來自于水體的信號甚微，90%以上的信號來自大氣瑞利散射、氣溶膠散射以及太陽散射；因此準確獲取水色要素遙感信息的前提是進行精確的大氣校正，去除大氣分子和氣溶膠的影響。

本文利用ENVI軟件中的FLAASH大氣校正模塊，根據圖2所示的校正步驟對輻射定標后WorldView-Ⅱ和IKONOS影像進行大氣校正，消除大氣影響，提高影像質量。

圖2 大氣校正步驟

2 水質參數的反演模型

對遙感數據進行預處理后，本文以地面監測站實測水質數據與對應監測站點的光譜反射率數據建立了多元線性回歸模型和人工神經網絡模型，根據模型反演出監測點的水質參數值，并以相關系數R2來檢驗模型的精度。

2.1 多元線性回歸模型

2.1.1 多元線性回歸模型的概述

回歸分析是研究一個因變量與一個或多個自變量之間的線性或非線性關系的一種統計分析方法。回歸分析通過規定因變量和自變量來確定變量之間的因果關系，建立回歸模型，并根據實測數據來估計模型的各個參數，然后評價回歸模型是否能夠很好地擬合實測數據；并可以根據自變量作進一步預測。線性回歸分析法是最基本的回歸分析方法，其假設自變量和因變量之間存在線性關系，線性回歸模型的數學模型如公式(1)所示。

y=α+β1x1+β2x2+…+βixi+ε

(1)

式中：y為被解釋變量；α為模型的截距項；β1、β2、…、βi為待估計參數；x1、x2、…、xi為解釋變量；ε為誤差項。

對建立的多元線性回歸模型進行顯著性檢驗，即觀察R2值是否合適，擬合度是否足夠；利用殘差分析，確定回歸方程是否違反了假設理論。對各自變量進行檢驗，其假設是總體的回歸方程自變量系數或常數項為0，以便在回歸方程中保留對因變量y值預測更有效的自變量，以便確定數學模型是否有效。

2.1.2 模型的建立與檢驗

本文結合衛星數據的波段設置，在SPSS軟件中，應用相關分析工具，對WorldView-Ⅱ和IKONOS衛星的各個波段及波段組合與相應的水質指標數據進行相關性統計分析，確定了各水質指標的最佳反演波段及波段組合，分別建立總氮、總磷濃度的線性回歸模型。其模型如下：

總氮：

TN=-224.014×Band2+46.404

(2)

R2=0.787

總磷：

TP=-8.134×(Band3+Band4)+2.485

(3)

R2=0.602

可知，總氮與影像的第2波段反射率相關性較好，而總磷與第3、4波段的反射率相關性較高。

通過已建立的多元線性回歸模型，我們對13個監測點所有數據進行預測，如圖3所示。從圖3可以看出：總氮TN和總磷TP的復相關系數分別為0.804 3和0.632 7，能較好地反演總氮TN和總磷TP的實際含量分布狀況。

圖3 線性回歸模型預測值與實測值比較

利用上述已經建立的線性回歸模型，利用實測數據中與遙感影像同步的13個監測點數據，求出每個監測點處實測值與預測值的相對誤差，并求出監測點處的平均誤差，進行比較以檢驗模型的預測效果。結果如表1所示。

由表1可以看出，多元線性回歸模型對TN和TP的預測值相對誤差都較小，平均相對誤差均低于20%，有個別值的相對誤差超過30%。根據平均相對誤差的大小比較，可以看出，TN的線性回歸預測效果比TP的預測效果更好。從整體上看，平均相對誤差均小于20%，精確度較高，故線性回歸模型對溫瑞塘河的水質反演具有一定的可靠性。

2.2 人工神經網絡模型

2.2.1 人工神經網絡模型的概述

神經網絡的全稱是人工神經網絡(Artificial Neural Network，ANN)，它采用物理上可實現的器件或采用計算機來模擬生物體中神經網絡的某些結構和功能，并應用于工程領域。神經網絡的著眼點不在于利用物理器件完整的復制生物體中的神經細胞網絡，而是抽取其中可利用的部分來克服目前計算機或其他系統不能解決的問題，如學習、控制、識別和專家系統等。

表1 多元線性回歸模型預測結果

2.2.2 模型的建立與檢驗

本文神經網絡模型的建立是在matlab軟件中調用神經網絡工具箱來完成的。在此次神經網絡模型建立過程中，通過數次調整參數來確定最終用于反演的神經網絡，其中模型的訓練步長、隱含層數目以及訓練目標是自己優選設定，而模型的初始閾值、學習速率是使用工具箱中的默認值。最后，利用構建好的神經網絡模型計算得出結果，并與IKONOS影像對應的2008年12月20日的實測數據對比，作誤差分析。結果如表2。

表2 神經網絡模型結果和誤差分析

由以上計算結果可以看出，TN和TP建立的神經網絡模型在率定期的平均誤差比驗證期的誤差小，TN所有誤差均小于20%，這說明神經網絡模型模擬TN的效果普遍較好。TP在驗證期平均相對誤差最大，達到25.6%，但率定期平均誤差較小。這說明水質參數與水體反射率之間確實存在相關關系，且相關關系較好，可以通過建立的神經網絡模型反演整個水體的總氮和總磷濃度。

3 結果與分析

3.1 兩個模型預測結果相對誤差比較

以總氮、總磷為研究對象，本文分析了13個監測點處的實測值和兩個模型預測值的相對誤差。從圖4上可以看出，多元線性回歸模型的相對誤差比人工神經網絡模型的誤差略大，故人工神經網絡模型的預測結果好于多元線性回歸模型。

圖4 實測值與兩個模型預測值的相對誤差比較

從圖4(a)可以看出，對于總氮來說，人工神經網絡模型的實測值與預測值相對誤差僅有1個點高于多元線性回歸模型的實測值與預測值相對誤差，其余各點的值均小于多元線性模型；人工神經網絡模型的總氮預測結果好于多元線性回歸模型。

從圖4(b)可以看出，對于總磷來說，多元線性回歸模型的相對誤差變化比較大，人工神經網絡模型的相對誤差相對均勻，且相對誤差值略小。故人工神經網絡模型的預測結果好于多元線性回歸模型，且神經網絡模型的穩定性略好于線性回歸模型。

由表3可以看出，對于TN，多元線性回歸和人工神經網絡兩種模型的最大相對誤差分別為47.44%和 29.04%，平均相對誤差分別為 15.45%和6.70%，人工神經網絡模型預測效果要好于多元線性回歸模型；對于TP，多元線性回歸和人工神經網絡兩種模型的最大相對誤差分別為36.55%和37.28%，平均相對誤差分別為13.91%和13.62%，兩種模型的預測效果相當，人工神經網絡模型預測效果相對稍好。

表3 兩種模型實測值與預測值相對誤差比較 %

3.2 水質模型反演結果

通過模型計算結果對整個溫瑞塘河水質的TN和TP進行反演，在ENVI中通過監督分類方法，獲得溫瑞塘河河網的TN和TP空間分布矢量圖后將結果進行展示，見圖5和圖6，通過圖像展示結果可以發現：

圖5 TN空間分布圖

圖6 TP空間分布圖

(1)TN的反演結果顯示，全河的TN指標有較明顯的分級，水質從西向東逐漸變差，西南方向水質最好，能夠達到Ⅲ類水平。這種水質變化過程與溫州實際的城市布局特點是較為符合的，人口稠密、工商業發達的地區，TN濃度更高，水質更差，部分水域水質會達到劣Ⅴ類水平；影像西部區域的農村地區河內TN濃度較小，水質相對好些。

(2)TP的反演結果顯示，相對TN濃度的空間分布，TP濃度分布較均勻，整個河網大部分水域水質達到Ⅴ類水質，在河網的北部部分區域水質達到Ⅳ類水平，在靠近出海口部分的下游水域，TP濃度相對較低。而東南部分區域TP濃度最高，水質相對較差。TP濃度空間分布特點與TN濃度空間分布一致。

4 討論與結論

水質遙感監測模型的構建，是一個系統性的工程，為了建立起具有一定通用性的水質遙感監測模型，需要進行大量的數據分析與試驗工作。本文以WorldViewⅡ、IKONOS衛星影像和現場實測的水質數據為數據源，建立總氮和總磷的多元線性回歸模型，并選取其中IKONOS衛星影像和現場實測的水質數據構建人工神經網絡模型，通過對模型的通用性進行了檢驗，進一步將反演模型運用到衛星遙感影像中，得到了總氮和總磷的濃度空間分布圖。綜合本文的研究結果，可得到以下結論：

(1)WorldViewⅡ、IKONOS衛星影像的分辨率高，特別適用于狹窄的城市水體水質遙感反演。其三個波段與總氮和總磷的相關性較好，其中第二波段與總氮的相關性更是接近0.8，本文中以總氮和總磷濃度為研究對象，建立的多元線性回歸模型，能較好地反演水質。

(2)人工神經網絡模型對水質的反演效果較好，但總磷在個別監測點處的濃度突變變大，其預測值與實測值的相對誤差較大，故此模型的適用性有一定的限制；通過對多元線性回歸模型和人工神經網絡模型的適用性進行對比，最終得到本文中的兩種反演模型適用性均較好。

(3)本文研究的基于遙感反演的溫瑞塘河快速全覆蓋式水質反演模型，特別是形式更為簡約的多元線性回歸模型能夠有效地在溫瑞塘河遙感反演總氮和總磷，其平均相對誤差分別為15.31%和18.95%，具有進一步研發和推廣的價值。

□

[1] Liu J，Zhang Y，Yuan D，et al． Empirical estimation of total nitrogen and total phosphorus concentration of urban water bodies in China using high resolution IKONOS multispectral imagery[J]．Water．2015，7(11)：6 551-6 573．

[2] 謝 歡，童小華．水質監測與評價中的遙感應用[J]．遙感信息， 2006,(2)：67-70．

[3] Kloiber S M，Brezonik P L，Olmanson L G，et al．A procedure for regional lake water clarity assessment using Landsat multispectral data[J]．Remote Sensing of Environment，2002，82(1)：38-47．

[4] Song K，Li L，Li S，et al．Hyperspectral Remote Sensing of Total Phosphorus (TP) in Three Central Indiana Water Supply Reservoirs[J]．Water Air & Soil Pollution，2012，223(4):1 481-1 502．

[5] 聞建光，肖 青，楊一鵬，等．基于 Hyperion 數據的太湖水體葉綠素 a濃度遙感估算[J]．湖泊科學，2006，18(6)：327-336．

[6] 呂 恒，江 南，羅瀲蔥．基于TM 數據的太湖葉綠素a濃度定量反演[J]．地理科學，2006，26(4)：472-476．

[7] Hans Hakvoort，Johan de Haan ，et al．Towards airborne remote sensing of water quality in The Netherlands-validation and error analysis[J]．Journal of Photogrammetry & Remote sensing， 2007，57：171-1．

[8] Zhang Y L，Liu M L，Qin B Q，et al．Modeling remote-sensing reflectance and retrieving chlorophyll-A concentration in extremely turbid case-2 waters (Lake Taihu，China)[J]．IEEE Transactions on Geoscience & Remote Sensing，2009，47(7)：1 937-1 948．

[9] Shi K，Zhang Y，Zhu G，et al．Long-term remote monitoring of total suspended matter concentration in Lake Taihu using 250 m MODIS-Aqua data[J]．Remote Sensing of Environment， 2015，164：43-56．

[10] Zhang Y B，Zhang Y L，Shi K，et al．A Landsat 8 OLI-Based，semianalytical model for estimating the total suspended matter concentration in the slightly turbid Xin'anjiang reservoir (China)[J]．IEEE，2016，9(1)：398-413．

[11] 王學軍，馬 廷．應用遙感技術監測和評價太湖水質狀況[J]．環境科學，2000， 21(6)：65-68．

[12] 王建平，程聲通，賈海峰,等．用 TM 影像進行湖泊水色反演研究的人工神經網絡模型[J]．環境科學，2003，24(2):18-24．

[13] 張霄宇，林以安，唐仁友,等． 遙感技術在河口顆粒態總磷分布及擴散研究中的應用初探[J]． 2005，(1):1-10．