遙感水質監測技術研究進展

張 克 張 凱 牛鵬濤 高 磊

(河南工業職業技術學院城市建設學院)

在遙感水質監測領域，水體一般可以劃分為一類水體和二類水體，一類水體主要為大洋開闊水體，二類水體主要為近岸水體和內陸水體[1]。水是生命之源，特別是內陸水體的水質狀況直接關系到人類生活用水安全，因此，對內陸水體進行水質監測意義重大。傳統水質監測方法雖然能夠準確分析和評價采樣點處的水質參數信息，但無法獲得大面積水域的整體水質狀況和變化情況，不利于環境保護部門開展有針對性的污染治理工作，同時傳統監測方法效率低下且成本較高。

遙感技術具有監測范圍廣、效率高、直觀性強、成本低等特點，非常適用于對水體進行長期動態監測[1]。隨著我國環境系列衛星、高分系列衛星等衛星星座的發射組網，利用遙感手段開展水體長期動態監測得到了廣泛研究。采用遙感技術進行水質監測時，首先建立地面水質實測數據和對應的衛星遙感數據之間的關系模型，然后將該模型應用于整片水域的遙感影像，最終獲取水域范圍內的整體水質分布狀況。目前，葉綠素a、懸浮物濃度、透明度、黃色物質、總氮、總磷[2]、高錳酸鉀指數、溶解氧[3]等水質參數都可以通過遙感技術進行直接或間接監測。本研究在綜合梳理近年來遙感水質監測領域研究成果的基礎上，通過對模型分析法、半經驗分析法、經驗分析法等3種現階段主要監測方法進行剖析，并對該領域后續研究方向進行探討，供相關研究借鑒。

1 遙感水質監測方法

基于遙感技術的水質監測流程如圖1所示。具體實施步驟為：①確定待監測的水域，開展水樣采集和遙感影像獲取工作；②根據相關需求，化驗水樣的相關參數；③對原始遙感影像進行預處理，掩膜出待監測區域的遙感影像，并確定用于反演的數據波段組合；④根據實際情況，選擇模型分析法、半經驗分析法、經驗分析法中的任何一種方法進行水質反演，生成各類水質因子反演成果圖；⑤根據反演結果，分析原因，編寫相關技術報告。

圖1 遙感水質監測流程

1.1 模型分析法

模型分析主要是基于水體的輻射傳輸模型，根據純水、葉綠素、懸浮物、黃色物質等的光譜特性，并利用遙感影像與水中各組分的吸收系數、后向散射系數關系模型，獲取水質參數信息[4]。Gordon等[5]于1975年提出了水質遙感模型分析法，并運用蒙特卡洛模型計算了平靜海面的表面光學量和固有光學量之間的關系，為遙感水質監測模型分析法奠定了基礎；李云梅等[6]利用Gordon模型和太湖水體固有的光學特性，建立了水體反射率的模擬分析模型，進而利用Landsat數據反演了水體懸浮物濃度，得到了太湖懸浮物濃度分布圖；鄧孺孺等[7]利用水體透射光測量裝置，結合光譜儀測量了相同厚度不同濃度鐵離子水體的透射光輻亮度，進而運用比值法得到了水中3種鐵化合物的消光系數和吸收系數，最終獲取了400～900 nm波長范圍內3種鐵離子的吸收系數光譜，為遙感反演水體鐵離子濃度模型提供了基礎參數。在運用模型分析方法對水質進行遙感監測時，往往由于被監測水體的固有光學性質較為復雜，使得建立分析模型難度較大。

與經驗分析法和半經驗分析法相比，該方法的模型參數與水體光學模型相結合具有明確的物理含義，且具有普遍適用性，但由于理論基礎尚不成熟，相關的研究和應用成果較少。

1.2 半經驗分析法

半經驗分析法在一定程度上考慮了水體和各類污染物質的光學特性，利用最佳的波段或波段組合數據與實測水質參數值之間的統計關系進行水質參數估算，現階段，支持向量機模型(Support vector machine,SVM)、人工神經網絡模型等水質反演模型運用較為廣泛[8]。Pierson等[9]建立了一種半經驗模型，并成功應用于預測海水表面下的輻射反射率和瑞典馬拉倫湖輻射反射率的光譜變異性，取得較好效果；崔文君等[10]利用實測光譜數據的一階微分值，結合Landsat 8遙感影像的綠光波段和紅光波段，建立了珠江口近岸水域溶解氧的遙感反演模型，實現了珠江口溶解氧含量的反演；盛琳等[11]基于GOCI多光譜影像，通過半經驗分析法反演算法，對東平湖水域開展了葉綠素a濃度估算及精度驗證，研究表明，半經驗分析算法與傳統的經驗模型相比，具有更高的反演精度和較好的可移植性。半經驗分析法同時兼顧了統計特征和水體的光譜特征，在選擇適當的反演模型和波段組合后，還需針對不同季節和地域的水質，對模型參數進行修正，該類方法較為穩定，是目前最為常用的水質監測方法。

1.3 經驗分析法

經驗分析法算法較為簡單，主要根據遙感數據與地面實測水質參數值之間的統計關系，通過運用不同的統計回歸模型，從而反演整個監測區域的水質參數值。張鴿等[12]以太湖為研究區，基于春季和夏季實測的總懸浮物濃度，結合同步過境的2期FY-3A/MERSI衛星遙感影像，采用經過粒子群算法優化的支持向量機參數，選擇遙感影像各波段反射率和波段組合作為輸入參數，運用支持向量機方法(SVM)構建了總懸浮物濃度的遙感反演模型，結果表明，SVM反演模型為最優的水體懸浮物濃度反演模型；周亞東等[13]根據地面實測數據與高分1號遙感影像數據構建了多元線性回歸和RBF神經網絡模型，對湖泊綜合營養狀態指數進行了反演，結果表明，RBF神經網絡模型較多元線性回歸模型反演精度更高，更適合于對內陸湖泊水質變化進行監測；任巖等[14]提取了遙感影像上艾比湖流域6種水體指數，利用SPSS軟件對各種水體指數與多種水化學特征值的關系進行了相關性分析，構建了水體指數與水化學特征之間的關系模型；曹引等[15]根據集合建模思路，將多種建模結果進行綜合，提高了模型穩定性，但集合模型的可轉移性仍需進一步驗證。

經驗分析法雖然能夠快速建立遙感影像與實測數據之間的統計關系，取得良好的反演結果，但該方法中的實測水質參數與遙感數據之間的關系缺乏物理依據，針對不同季節和區域的水質監測，難以建立統一的數據反演模型。

2 遙感反演的主要水質參數

水體中的一些水質參數往往能夠引起水體光譜特征(反射率、透射率、吸收率等)的變化，該類水質參數包括葉綠素含量、懸浮物濃度、有色可溶性有機物含量[4]，常被稱為水色參數或直接水質參數，通過遙感數據中的光譜信息可以有效監測該類水質參數。水體中還有一部分水質參數與水色參數密切相關，通過遙感數據可以間接監測出，該類參數可稱為間接水質參數。

2.1 直接水質參數監測

2.1.1 葉綠素濃度

葉綠素濃度是水質監測中的重要參數[1]，該參數的遙感反演利用的是葉綠素的光譜特性，故需根據其光譜特征選擇特征波段，建立穩定的反演模型。目前雖然已建立了眾多葉綠素反演模型，但該類模型的精度往往依賴于特定的研究區和時間。葉綠素的光譜特征較為明顯，其反射率在綠光波段和近紅外波段具有波峰，在藍光波段具有明顯波谷，隨著葉綠素濃度升高，其波峰和波谷更加明顯，當葉綠素濃度達到一定時，又會發生“紅移”現象。因此，葉綠素濃度的反演往往通過多波段組合，構建相應的反演模型實現。史銳等[16]對TM影像中的水體部分進行了光譜信號重構和小波去噪，結合實測的葉綠素濃度數據進行了神經網絡擬合，建立了光譜反射率比值與葉綠素濃度的反演模型，結果表明，烏梁素海葉綠素濃度分布反映了污染源的分布，同時說明葉綠素濃度在時空分布上存在一定的規律；趙文宇等[17]結合Landsat 8數據研究了葉綠素a的光譜特征，確定了葉綠素a遙感定量監測的最佳波段，并結合地面實測數據，建立了葉綠素a的遙感估測模型，同時對反演結果進行了時空分析，得到了研究區域葉綠素分布和變化情況；包穎等[18]以太湖為研究區，以GOCI為數據源，基于層次聚類法實現了歸一化實測光譜反射率分類，利用光譜角測距匹配一天之內的8景GOCI太湖影像的水體分類結果，并針對不同水體類型分別建立了基于GOCI影像的葉綠素a反演模型，實現了不同類型水體的葉綠素a濃度反演，其結果不僅可以反應葉綠素a的空間分布情況，也可以反映太湖區域葉綠素a的日變化情況。

2.1.2 懸浮物濃度

懸浮物濃度是指單位體積水體中懸浮顆粒的總質量，主要包括無機物和有機物2類懸浮物，是水環境監測與評價的一項重要指標。懸浮物對水質管理非常重要，它不僅與泥沙運動有關，更重要的是其反映了水體的透明度，是水質監測的一個重要指標。艾燁霜等[19]提出了一種自適應抽樣一致性極限學習機算法，并將其應用于水體懸浮物濃度定量反演中，提高了反演結果的穩定性；王代堃等[20]以天津濱海新區為研究區域，運用Landsat 8遙感影像，分別建立了神經網絡和統計回歸反演模型，對該區域的水體懸浮物濃度進行了反演，結果表明，神經網絡模型的反演精度更加可靠；喬娜等[21]提出了分類反演淺水草型湖泊中水體懸浮物濃度的方法，針對水生植物覆蓋的水體，采用水生植物覆蓋度間接反演懸浮物濃度，對于未覆蓋區域，則采用直接法反演懸浮物濃度，反演效果較理想；宋南奇等[22]以某填海施工區的周邊海域為研究區域，利用環境災害監測小衛星的遙感數據和實測懸浮物濃度數據，采用回歸分析方法建立了懸浮物反演模型，對施工區周邊海域懸浮物的分布情況進行了詳細分析。

2.1.3 可溶性有機物含量

有色可溶性有機物(Colored dissolved organic matter,CDOM)也稱為黃色物質[23]，是溶解性有機物(Dissolved organic matter，DOM)的光敏部分，該參數的測量方式從實際野外采樣測量向遙感數據結合算法反演方向發展，已獲得了成功應用。遙感反演CDOM具有評估范圍大的特點，不僅可以為水質管理工作提供幫助，還可以為全球尺度氣候變化研究提供便利[24]。張春桂等[25]利用MODIS衛星遙感影像，結合地面實測數據，運用半經驗分析算法反演得到了海洋黃色物質；黃妙芬等[26]利用Landsat 8衛星數據，運用2種方法分別反演出了CDOM濃度值，并將反演結果與GOCI的CDOM濃度值進行對比，相對誤差分別達到了14.8%和25.2%；田野等[27]以北京官廳水庫為研究區域，通過野外采樣和實驗室測量獲取了水質信息數據，并結合高光譜遙感影像，建立了CDOM遙感反演的生物光學模型，實現了夏季官廳水庫的CDOM濃度高精度反演。

2.2 間接水質參數監測

間接水質參數與水體光譜特征不存在明顯關系，但與直接水質參數關系密切，通常包括水體營養化水平、營養鹽含量、化學需氧量(Chemical oxygen demand，COD)等。間接水質參數反演是在直接水質參數反演的基礎上發來起來的，能夠直觀反應水體水質狀況，如水中有機物污染程度可以通過高錳酸鹽指數確定；水體富營養化的重要指標包含氨氮和總磷的含量，當水中營養鹽濃度較高時，將會對水生生物和人類帶來威脅[28]，因此，間接水質參數反演是遙感水質反演的一個重要研究方向。周亞東等[13]基于高分1號WFV遙感數據和82個站點的實測數據，運用多元線性回歸和RBF神經網絡模型，反演了武漢市及周邊湖泊的葉綠素、營養鹽等含量，并利用綜合營養狀態指數法分析了研究區域水體的富營養化水平；劉旭攏等[28]利用Landsat 8遙感影像和水質監測數據，利用遙感水質反演算法，實現了高錳酸鹽指數、氨氮和總磷的反演；冼翠玲等[2]和岳佳佳等[29]分別采用多元線性回歸和神經網絡模型對某內陸水體的總磷和總氮指標進行了反演，效果較理想；黃妙芬等[26]在分析COD和CDOM濃度相關性的基礎上，建立了運用CDOM反演COD的模型，并獲取了試驗地區的COD濃度專題圖；王小平等[30]以艾比湖流域為研究對象，基于實測水溶解性總固體(Total dissolved solids,TDS)數據，選用了準同步的Landsat 8數據，分別利用多元線性回歸模型、支持向量機模型(SVM)對TDS進行了反演，并對反演結果進行了精度分析。

3 展 望

遙感水質監測方法與傳統水質監測方法相比，具有范圍廣、效率高、直觀性強、成本低等優點，但同時具有模型適應性差、監測參數不全面、遙感數據源單一等不足。遙感水質監測方法在后續研究中，需要對經驗模型和半經驗分析模型的適用性進行分析，盡管模型分析法需要觀測的物理量較多，但適應性較強，在后續工作中應加強模型分析法的研究；目前利用遙感技術所能監測的水質參數有限，與實際的水質監測要求仍有一定差距，還需要進一步拓寬遙感水質監測的參數范圍；應加大高光譜遙感和主動遙感在水質監測領域的應用，以期提高水質監測精度和參數數量。