基于BP神經網絡算法的密云水庫水質參數反演研究

馬豐魁，姜群鷗,2*，徐藜丹，梁勇，王榮臣，蘇帥

1.北京林業大學水土保持學院，100083 北京；2.北京林業大學/水土保持與荒漠化防治教育部重點實驗室，100083 北京；3.北京市密云水庫管理處，101512 北京

水是人類生存發展必需的自然資源，是社會經濟發展的重要物質保障，是生態環境的控制性因素。然而隨著中國經濟社會的發展，水資源需求量日益增加，水污染整體呈現惡化態勢。水資源短缺和水污染已經成為制約中國可持續發展的瓶頸因素（曾昭等，2013）。北京是一座重度資源型缺水、水污染嚴重的城市，經濟快速發展，城市擴張以及人口持續增長導致北京市的水質不斷惡化（高陽等，2018）。在這種背景下，密云水庫作為北京市最大的飲用水源供應地，其水質安全不僅關乎北京市兩千多萬市民的生命健康和生活用水問題，而且對于北京市發展和首都各項職能的正常運轉具有重大影響，引起了國家和政府的高度重視。保障城市水源安全、提高城鎮飲用水源的安全保障水平，是城市生態文明建設的重要內容，也是生態文明建設的重要組成和基礎保障（馬巍等，2016）。因而探究監測密云水庫主要水質參數變化的有效方法，實現對密云水庫主要水質指標的快速反演尤為重要。

傳統的水質監測一般以實地采樣分析為主，可以較為準確地測得多種水質參數，但是需要耗費大量的時間和成本，且只能獲得點狀數據，所得數據在時間和空間上都不連續，無法滿足大范圍、實時的水質監測要求。（趙玉芹等，2009）。水質遙感技術作為一種具有區域化監測能力的方法，可以快速、實時的獲取水質的時空分布，在水質監測中日益受到重視（曹引等，2019）。常規的遙感水質參數反演方法主要有經驗方法、半經驗法和半分析法（張海威等，2017）。翟召坤等（2018）基于高分一號衛星數據和實測數據，采用典型的經驗方法對潘家口水庫水質參數和敏感波段進行了線性擬合，得到水質參數遙感反演模型。林劍遠等（2019）基于航空和水表高光譜遙感數據，利用半經驗法對浙江省嘉興市主城區河網水質進行了監測。石亮亮（2019）基于實測數據，開發了水體IOPs及CDOM反演的半分析算法，對東海、千島湖水域進行了反演。這些方法本質上都是通過線性回歸來實現水質反演，而水環境系統具有強烈的非線性和不確定性特征，傳統的線性回歸不能完全反映其變化規律，通過線性回歸分析會導致結果不準確（Chen et al.，2018）。

近年來，人工神經網絡理論的迅速發展為水質評價和預測提供了一種新的有效方法。人工神經網絡具有獨特的分布并行處理、非線性映射和自適應學習等優點，BP神經網絡是其中一種較為成熟的非線性函數逼近的方法，所得結果更為準確（李輝東等，2015；黃俊等，2015；易湘生等，2012）。國內外許多專家學者運用神經網絡進行了水質參數的研究。Gazzaz et al.（2012）通過建立神經網絡模型完成了對馬來西亞金塔河的水質參數的預測，研究結果表明，該模型預測結果可以解釋95.4%左右的實測水質參數的變化。Wu et al.（2009）基于MODIS數據集，采用BP神經網絡、多元線性回歸等方法對巢湖的水質參數進行了反演，結果表明，BP神經網絡模型優于多元線性回歸，相對誤差低于35%。Song et al.（2011）使用Landsat TM數據和實測數據，建立了經驗回歸和神經網絡，對查干湖的水質參數進行反演，結果表明神經網絡的均方根誤差小于10%，而回歸的均方根誤差小于25%。Xiao et al.（2017）以漢江中下游為研究區，建立了VIP-BP模型估計葉綠素含量，結果表明，VIP-BP模型可以準確真實的反映葉綠素含量變化，且誤差明顯低于3波段模型。

上述研究表明，神經網絡與遙感技術的結合可以很好地實現水質參數的反演。在此背景下，本研究基于遙感和GIS技術，采用BP神經網絡算法，結合地面監測數據和Landsat 8遙感影像，分別建立了總磷、總氮、氨氮、COD（化學需氧量）4個主要水質參數的神經網絡模型，實現了密云水庫主要水質參數的反演。旨在為密云水庫水質監測探索一種便捷、可靠、高效的方法，從而對密云水庫主要水質參數變化做出科學評估，為密云水庫水質監測和保護工作提出重要的科學建議。

1 材料與方法

1.1 研究區概況

圖1 密云水庫區位圖Fig.1 Location of Miyun Reservoir Area

密云水庫位于北京市東北部密云縣城北13 km處（116°07′—117°30′E，40°14′—41°05′N），地處燕山群山之中（圖1）。庫區建成于1960年9月，流域面積15788 km2，最大水面面積為188 km2，最大庫容43.75 ×108m3，最大水深43.5 m，是華北地區最大的水庫。密云水庫有2大入庫河流，分別是白河和潮河，分為白河、潮河和內湖3個庫區（張敏等，2019）。該區屬于暖溫帶半濕潤季風氣候，年均溫 10.5 ℃，年均最低氣溫-18 ℃，最高氣溫38 ℃，降水主要集中在6—8月（李東青等，2015）。庫區主要功能是防洪、灌溉、發電等，為北京市、天津市和河北省服務。隨著北京城市化和經濟的快速發展，水資源短缺的局面日益加重，密云水庫于1981年開始專為北京市供水，且生活用水比重逐年上升，當前已成為北京市最大的飲用水源供應地，被譽為“北京生命之水”。自20世紀90年代以來，水體的富營養化已成為密云水庫最主要的水質污染問題（許爾琪等，2018）。因此開展對密云水庫的水質參數的反演研究十分必要。

1.2 數據來源

1.2.1 地面監測數據

研究團隊于2018年10月17日乘船進入密云水庫，在規劃采樣區域利用取水器距離水面30 cm深處共采集了80個樣品，同時記錄了采樣點的GPS坐標。采樣點的布設原則是盡可能均勻分布，敏感區域多布設一些取樣點。采集回樣品之后，當天將樣品送檢相關部門，在實驗室對每個樣品進行測試：水質總氮采用化學發光器測量基態NO2，將結果換算為總氮；水質氨態氮采用SEALAA3連續流動分析儀測試；水質總磷采用鉬酸銨分光光度法測定；水質化學需氧量采用快速消解分光光度法測定。（陳穎等，2018；廖蕾等，2016；GB/T 11893—1989；HJ/T 399—2007）最終得到80采樣點的總磷、氨氮、總磷、COD（化學需氧量）4個指標的質量濃度。

1.2.2 Landsat 8遙感影像

本研究采用的遙感數據為Landsat 8，遙感影像下載自中國科學院遙感與數字地球研究所（http://eds.ceode.ac.cn/）和地理空間數據云（http://www.gscloud.cn/sources），空間分辨率為 30 m×30 m。選取研究區的影像時間跨度為 2013—2018年，其中用于構建神經網絡模型的遙感影像時間為2018年10月17日，與水質樣品采集時間一致。由于密云水庫從12月至次年2月有冰期，該時段遙感影像的反射率無法真實反映水質參數的變化，再加上一些時段的遙感影像受到云層的影響，最終選取2013—2018年非冰期共36期云量低于30%的遙感影像，代表非冰期主要水質指標的變化。原始影像含5個數據集：多光譜數據集（1—7波段）、全色波段數據（8波段）、卷云波段數據（9波段）、熱紅外數據（10、11波段）和質量波段數據（12波段）以及含有整個圖像內容的MTL文件，共13個文件。本研究選取多光譜數據（1—7波段）作為反演密云水庫水質的原始數據。

1.3 數據處理

1.3.1 Landsat 8遙感影像預處理

本研究首先對Landsat 8影像進行輻射定標和大氣校正，使遙感影像表達真實的反射率（秦雁等，2011）。處理完成后將Landsat 8多光譜數據的7個波段分別導出為tif圖像，便于后期建模和預測。再通過歸一化水體指數NDWI，對研究區水域邊界進行提取。然后使用提取出的密云水庫的水域邊界對遙感影像進行裁剪，得到研究區各波段的遙感影像。最后將遙感影像進行轉換，得到研究區全區的反射率值。

1.3.2 采樣點反射率提取

本研究將記錄的采樣點的 GPS坐標離散到空間中，并將采樣點與Landsat 8影像疊加，用ArcGIS提取Landsat 8各波段在采樣點的反射率值，將提取的采樣點反射率數據進行整理，作為建立神經網絡模型的輸入數據。

1.3.3 敏感因子提取

水體的光譜特征由其中的各種物質對光輻射的吸收和散射性質所決定，當水體受到污染時，光譜特征會發生變化，所以遙感影像各波段與水質參數之間存在一定的相關性。使用 SPSS軟件，對Landsat 8的1—7波段的反射率和4個水質參數（總氮、氨氮、總磷、COD）的實測值進行皮爾遜相關性分析，以相關性分析為輔助，在保留最大信息量的原則下剔除干擾波段，得到水質參數的敏感波段組合（表1），使得BP神經網絡的擬合效果最優。

1.4 研究方法

1.4.1 BP神經網絡

BP（Back Propagation）神經網絡是按誤差反向傳播算法訓練的多層前饋式網絡。由Rumelhart和Mccelland提出，其運算原理為使用最小二乘法使網絡的誤差平方和達到最小。網絡在訓練過程中利用錯誤反饋傳播不斷調整閾值和權值，使輸出結果達到最佳值，實現最佳的擬合效果（盛夏等，2013）。典型的BP神經網絡拓撲結構包括輸入層、隱含層和輸出層，每一層包含若干神經元，上下層神經元之間全連接，而同層神經元之間無連接，輸入層與隱含層神經元的連接值是網絡的權值，學習過程的目標是找到最優的權值集，該權值集可以產生正確的輸出（李麗等，2008；張斌等，2012）。模型的基本建立過程是：給定神經網絡輸入和期望值，由輸入層傳遞到隱含層，經隱含層處理后，再傳遞到輸出層，由輸出層處理產生結果，此為信息前向傳播；計算實際輸出與期望輸出之間的誤差，將誤差值沿網絡反向傳播，并修正連接權值，此為誤差反向傳播；給定另一個輸入，重復上述過程，直到網絡輸出的誤差達到允許的范圍或達到設定的訓練次數為止，得到研究所需的神經網絡模型（張青等，2016；劉淑梅等，2015；劉曉芬等，2011）。

表1 水質參數敏感波段Table 1 Water quality parameter sensitive band

1.4.2 納什系數

納什效率系數（Nash-Sutcliffeefficiency coefficient），用于驗證水文模型模擬結果的好壞，納什效率系數（E）的計算公式為：

式中：Qo指觀測值；Qm指模擬值；Qt表示第t時刻的某個值；Qo表示觀測值的平均值。E取值為負無窮至1，表示模式質量好，模型可信度高；E接近 0，表示模擬結果接近觀測值的平均值水平，即總體結果可信，但過程模擬誤差大；E遠遠小于0，則模型不可信。

2 結果與分析

2.1 BP神經網絡模型的構建

本研究采用的是3層結構的BP神經網絡，在MATLAB中使用feedforwardnet函數，默認的訓練函數為 trainlm（Levenberg-Marquardt算法），選擇傳遞函數tansig，輸出函數pureline，隱含層節點數通過試選法確定。以2018年10月17日的Landsat 8遙感影像提取的 80個采樣點敏感波段反射率為輸入數據，以同天對應的地面監測水質參數作為目標數據，構建一個3層的BP神經網絡，包括一個輸入層、隱含層和輸出層。feedforwardnet函數將輸入數據分為3份，70%用于訓練，15%用于檢驗，15%用于測試，防止過度擬合。feedforwardnet默認隱含層節點數為 10，學習步長為 0.05，迭代次數為50000，學習誤差為 1e-10。通過調整隱含層節點數、學習步長和迭代次數，對模型進行反復訓練，直到BP神經網絡模型的r值達到最優（表2），即r值不再上升為止。得到4個參數的最優神經網絡模型，網絡結構見（表3）。

表2 BP神經網絡模型相關系數rTable 2 The correlation coefficient of BP neural network model r

表3 各水質參數BP-ANN結構Table 3 BP-ANN structure of each water quality parameter

2.2 BP神經網絡模型的驗證

在訓練區中隨機挑選 10個樣點，以訓練好的BP神經網絡分別對各采樣點的總氮、氨氮、總磷、COD含量進行預測，得到預測結果對BP神經網絡模型做進一步驗證（表4）。

從表4可以看出，驗證點BP神經網絡的預測值和實測值比較接近，特別是在平均值水平上預測值和實測值非常接近，總氮在誤差0.1的情況下可以認為預測值和實測值的平均值相等，氨氮和總磷在誤差 0.01的情況下可以認為預測值與實測值的平均值相等，COD的預測值與實測值的差距相對較大，但是 COD含量實測值的變化幅度較大，而且COD含量的國家水質標準分類區間大，反演結果雖然與預測值有差距，仍可以在一定程度上反映密云水庫的COD含量變化情況。

為了更直觀的表現預測和實測值的變化情況，將實測值與預測值繪制成折線圖（圖2）。從圖2可以看出，總氮、氨氮、總磷含量的預測值與實測值比較接近，變化趨勢基本一致，預測值相對于實測值的浮動較小，預測效果較好。COD含量的預測值與實測值的變化趨勢大致相同，但是預測值相對于實測值的偏差相對較大，COD的預測效果相對較差。因此本研究所建立的4個BP神經網絡模型中，總氮、氨氮、總磷具有較好的反演能力，COD的反演能力相對較差。

為進一步驗證BP神經網絡模型質量，采用納什效率系數和均方根誤差，以 10個驗證點的觀測值和預測值進行計算，結果見（表5）。

從計算結果來看，氨氮、總磷和 COD的納什系數接近1，說明這幾個水質參數的模型質量較好，模型可信度高，其中是氨氮和總磷納什系數較高，而總氮的納什系數更接近于 0，說明總氮的神經網絡模型其模擬結果接近觀測值的平均值水平，即總氮模擬結果總體結果可信，但模擬過程誤差大。均方根誤差顯示，總磷、總氮和氨氮的均方根誤差均小于0.03，其中最小的為總磷，其次是氨氮，再次是總氮，說明總磷、總氮和氨氮的預測值和實測值較為接近。COD的均方根誤差大于1，說明 COD的真實值和預測值有偏差。綜合來看，本研究建立的氨氮和總磷的BP神經網絡模型預測效果較好，其次是氨氮，COD的神經網絡模型預測效果較差。

表4 BP神經網絡預測值與實測值的比較Table 4 Comparison between measured values and predicted values of BP neural network mg·L-1

圖2 BP神經網絡模型結果驗證Fig.2 Verification of BP neural network Model

表5 納什效率系數、均方根誤差Table 5 NSE (Nash-Sutcliffe efficiency coefficient),RMSE(Root Mean Square Error)

2.3 密云水庫主要水質參數的變化分析

2.3.1 主要水質指標的年際變化

本研究基于構建的 BP神經網絡模型反演了2013—2018年密云水庫非結冰期每月的主要水質參數，估算了每年主要水質參數總氮、氨氮、總磷、COD的年平均值（圖3），分析2013—2018年密云水庫水質的年際變化情況。

結果顯示，2013—2018年密云水庫的主要水質指標總氮、氨氮、總磷、COD整體均呈下降趨勢。總氮質量濃度在2013年最高，達到0.932 mg·L-1，2017 年最低，為0.868 mg·L-1，2015—2018 年年際波動較小，含量基本穩定；氨氮質量濃度在2013—2018年變化比較平緩，2015達到最高值0.018 mg·L-1，2015—2017年連續下降，2017年為最低值 0.0099 mg·L-1；總磷質量濃度變化為先呈上升趨勢，2015年達到最高值0.027 mg·L-1，2015—2018年總磷含量表現為逐年小幅下降且趨勢變緩；COD變化趨勢與氨氮相似，2013—2015年呈上升的趨勢，2015年達到最高值 12.974 mg·L-1，2015—2017年快速下降，2017年為最低值6.17 mg·L-1，年際波動比較大。

從 2013—2018年間密云水庫年均水質指標變化來看，氨氮和 COD的含量一直處于Ⅰ類水質標準，且在Ⅰ類類別中含量較小，指標優良；而總磷近年為Ⅱ類水質標準，總氮為Ⅲ類水質。總體來看，密云水庫水質較好，且年際變化顯示近年來密云水庫各項水質指標均呈下降趨勢，水質整體呈上升趨勢。同時由年際變化可以看出，2018年總氮、氨氮、COD比上年有所增長。因此，密云水庫的水質風險仍然存在，保護與監測工作不容忽視。

2.3.2 主要水質參數的季節變化分析

本研究選取的是 2013—2018非結冰期遙感影像，因冬季密云水庫區域人為活動較少，生物生長緩慢，庫區水質比較穩定，故只研究春、夏、秋 3個季節主要水質指標的變化狀況。為了剔除偶然年份的影響，得到研究時段密云水庫水質參數的季節性變化特征，本研究將反演結果按季節求得多年平均值，獲取了4個水質指標不同季節的變化分布圖（圖4）。

圖3 主要水質參數的年際變化Fig.3 Interannual variation of major water quality parameters

由圖4可以看出，密云水庫主要水質參數總氮、氨氮、總磷、COD的季節變化趨勢基本一致，均表現為春季濃度最高，秋季次之，夏季濃度最低，即密云水庫夏季水質最優，后因水資源的補充不足，水質參數含量升高，導致秋春季水質較差，春季達到最差。

2.3.3 密云水庫主要水質參數的空間變化特征分析

本研究在空間柵格尺度上估算了 2013—2018年密云水庫水質參數總氮、氨氮、總磷、COD的含量，揭示了主要水質參數的空間分異與變化特征。

2.3.3.1 水質參數總氮的空間變化特征

密云水庫總氮含量按照國家水質分類標準總體以0.7 5mg·L-1和1 mg·L-1為分界點劃分為三類區域。從反演結果來看，總氮質量濃度比較集中分布于0.75—1 mg·L-1這個區段。為了更加顯著突出總氮含量的空間變化，將這一區段再以 0.83 mg·L-1和0.91mg·L-1為分界點細分，共分為五級（圖5）。

從分級結果來看，北部區域的總氮含量高于其他區域。其中，2013年水庫的總氮質量濃度主要集中在0.91—1 mg·L-1區域，中部和北部地區含量高于其他區域。2014年總氮含量明顯下降，集中區域轉變為0.83—0.91 mg·L-1區域，西部和北部岸邊含量顯著高于其他區域。2015年水域面積縮小，總氮含量明顯降低，東北部含量高于其他區域。到2016年水域面積擴大，雖然總氮含量仍然集中在0.83—0.91 mg·L-1區段，但是相比2014年整體降低了，北部水域總氮含量高于其他區域。2017年水域面積進一步擴大，總氮含量在0.75—0.83 mg·L-1區段分布面積擴大。2018年水域面積達到近年最大，總氮含量相比 2017年有所上升，主要分布區域位于東南部地區，這些區域遙感影像的云量偏高，這會造成估算值比實際值偏高。總體來看，總氮含量較高的水域面積呈減小趨勢，且集中分布于密云水庫北部和東南部。

2.3.3.2 水質參數氨氮的空間變化特征

2013—2018年 密云水庫的氨氮質量濃度小于0.03 mg·L-1。為了顯示密云水庫氨氮含量的空間差異性，以 0.006、0.012、0.018、0.024 mg·L-1為分界點將氨氮含量分為五級（圖6）。2013—2015年密云水庫的氨氮含量以0.012—0.018 mg·L-1為主，北部和東北部含量較高。2014年西部水域氨氮含量明顯降低，2015年東北部0.018—0.024 mg·L-1的氨氮水域面積不斷擴大。2016年之后密云水庫氨氮含量明顯下降，以0.012—0.018 mg·L-1為主；2017年氨氮含量進一步下降，以0.006—0.012 mg·L-1為主；2018年東部地區氨氮含量較上年有所上升。從密云水庫氨氮的空間分布上看，2015年較氨氮含量較高的區域分布面積最大，2015年后氨氮含量呈下降趨勢，2017年氨氮含量較低的區域分布面積最大。從水質參數氨氮標準來看，2013—2018年密云水庫的水質良好，氨氮含量處于Ⅰ類水質標準，且遠低于Ⅰ類閾值。

圖4 主要水質參數季節變化Fig.4 Seasonal changes in major water quality parameters

圖5 2013—2018密云水庫水質參數總氮空間分布圖Fig.5 Spatial distribution of total nitrogen in Miyun Reservoir during the period of 2013-2018

2.3.3.3 水質參數總磷的空間變化特征

圖6 2013—2018密云水庫水質參數氨氮空間分布圖Fig.6 Spatial distribution of ammonia nitrogen in Miyun Reservoir during the period of 2013-2018

圖7 2013—2018密云水庫水質參數總磷空間分布圖Fig.7 Spatial distribution of total phosphorus in Miyun Reservoir during the period of 2013-2018

總磷按國家水質分類標準標分為四級（圖7）。2013年密云水庫的總磷質量濃度集中在 0.01—0.025 mg·L-1區域，整體含量較低。2014年總磷含量略有升高，集中在 0.025—0.05 mg·L-1區域，北部和南部區域含量較高。2015年總磷含量較高區域主要分布于東北部。2016年密云水庫北部0.025—0.05 mg·L-1總磷分布面積擴大。而到2017年之后北部區域總磷含量明顯降低；2018年南部地區總磷含量升高。總體來看，密云水庫的總磷含量處于Ⅱ類和Ⅲ類水質標準。因此，密云水庫仍需加強上中游地區污染物總磷的排放和監管。

2.3.3.4 水質參數COD的空間變化特征

為了體現COD質量濃度的空間變化，以7.5、15、20、30 mg·L-1為分界點將COD含量劃分為五級（圖8）。2013年密云水庫的COD質量濃度以7.5—15 mg·L-1為主，東北部區域COD含量較高。東北部COD含量較高的區域隨著時間推移而不斷擴大，2015年COD含量較高的區域擴到最大。2016年東北部COD含量最高等級的區域迅速縮小，而20—30 mg·L-1的COD面積不斷擴大。到2017年COD含量全面下降，COD含量主要集中在0—7.5 mg·L-1區段。2018年東部COD含量上升為 7.5—15 mg·L-1。總體而言，密云水庫的COD含量處于Ⅰ類和Ⅱ類水質標準，符合飲用水源要求。

圖8 2013—2018密云水庫水質參數COD空間分布特征Fig.8 Spatial distribution of COD in Miyun Reservoir during the period of 2013-2018

3 討論

分析結果表明，密云水庫的主要水質參數總氮、氨氮、總磷、COD含量雖然年際之間有波動，但整體呈下降趨勢，表明密云水庫的水質在不斷改善，水質保護工作取得了顯著成果。從各項水質參數的季節平均值來看，夏季含量最低，秋季次之，春季最高，可能是由于夏季降雨較多，密云水庫的水源得到補給，水體得到更新，導致水質相比其他季節更佳。密云水庫主要水質指標的空間分布顯示，庫區北部、和東部水質指標偏高，這種分布可能與北部和東部村莊密集，以及密云水庫兩大入庫河流：潮河和白河，從北部入庫有關。秦麗歡等（2017）研究表明，深水區和朝河及白河的過度區域總磷含量較高，這與本研究所得空間分布吻合。此外，班靜雅等（2019）研究表明南水北調工程使得庫區水位大幅上升，庫區周邊大面積土壤被永久淹沒，產生了土壤污物溶出，模擬結果表明對密云水庫水質影響范圍小、程度低。筆者認為，這也可能是導致北部和東部水域指標含量較高的另一個原因。總體來看，密云水庫水質較好，氨氮和COD兩個參數為Ⅰ類水質，總磷為Ⅱ類，總氮為Ⅲ類，各項水質參數指標滿足飲用水源要求。然而密云水庫水質監測和保護工作不能放松，總磷和總氮在個別年份也存在小幅超標的現象。

本研究開展的基于BP神經網絡算法反演密云水庫水質參數的研究達到了一定精度，但也存在一些不足。由于Landsat 8數據有限，再加上密云地區特殊的氣象條件，一些時段的遙感影像受到霧霾和云層的影響無法使用，導致遙感影像無法被充分利用，以后的研究需要進一步探索針對水質反演的大氣校正模型和遙感影像的去云技術，從而減小云量對于輻射值的影響，使遙感影像得到充分利用。另外，本研究采用的多光譜遙感影像分辨率為 30 m×30 m，而記錄采樣點坐標的手持GPS的精度為15 m，因此兩者的配準會產生一定的誤差，期待以后的研究通過技術手段的進步，提高遙感影像與采樣點的配準程度，使數據能夠更加準確的反映水庫的水質指標的變化。

4 結論

本研究基于Landsa 8遙感數據與地面監測水質數據，采用遙感和GIS技術，通過構建BP神經網絡模型，實現了密云水庫2013—2018總磷、總氮、氨氮和COD（化學需氧量）4個水質參數的反演，并對水質參數的時空變化做了分析，得到如下結論：

（1）主要水質參數的Landsat 8敏感波段為：總氮為1、4波段，氨氮為1—7波段，總磷為1、3—7波段，COD為2—5波段。對BP神經網絡模型的預測結果驗證顯示，密云水庫水質指標的預測值與實測值在平均值水平上非常接近，納什系數和均方根誤差評價結果表明，研究構建的總磷和氨氮的BP神經網絡模型質量較好，可以很好實現水質反演，而氨氮和COD模型質量不佳，但在平均值水平上仍然具有準確性。

（2）密云水庫主要水質參數總氮、氨氮、總磷、COD的含量在2013—2018年總體呈下降趨勢，年均值顯示，氨氮和 COD兩個參數處于Ⅰ類水質，總磷為Ⅱ類，總氮為Ⅲ類，主要各項水質指標滿足飲用水源要求，需注意加強總磷和總氮的控制。

（3）從季節變化特征分析顯示，4個水質均表現為春季最高、秋季次之、夏季最低。

（4）密云水庫主要水質參數的空間差異性較大，總體來看，水庫北部和東部水域的4個水質參數含量相對較高，這與北部和東部村莊分布，以及密云水庫的兩大入庫河流：潮河和白河，從北部入庫有關。