基于光譜特征參數的官廳水庫富營養化及污染分析

江澄 馬中祺 楊甜 羅陽 何紅艷

（1 北京空間機電研究所先進光學遙感技術北京市重點實驗室，北京 100094）（2 水利部海河水利委員會海河下游管理局水文水資源管理中心，天津 300061）（3 生態環境部海河流域北海海域生態環境監督管理局，天津 300170）

0 引言

隨著京津冀協同發展的推進，作為京津冀地區的生態涵養區、永定河流域的重要水資源支撐平臺和生態安全屏障，官廳水庫水環境保護對積極推進京津冀協同發展具有重要的意義。然而，由于官廳水庫上游流域水資源開發利用過度，水庫面臨跨邊界水量短缺、流域生態環境惡化等危機[1]。要從根本上改善和治理水體環境，需對水體水質指標進行監測，對庫區水質變化狀況有準確的把握，依據水質參數的差異進行專項治理。衛星遙感具有快速、連續、范圍廣、周期性、成本相對低廉等特點，是水質監測的實用基本平臺。通常水體可分為一類水體和二類水體，一類水體目前已有公認的水質反演模型，二類水體由于有很強的區域性，因此無法得到精度較高、通用性較強的反演模型[2]。

目前，針對二類水體的水質反演方法主要包括經驗/半經驗方法和分析/半分析方法。經驗/半經驗方法的核心是水質參數光譜特征的先驗已知性，分析/半分析方法的核心是生物光學模型，各自的優缺點已有較多論述[3-5]。在特定的水域，半經驗算法有較強的穩定性，同時具有相對較高的反演精度[6-9]。雖然通過實驗手段對單種水質參數葉綠素、懸浮泥沙等的光譜特征比較了解，但對與影響水環境污染的濁度、溶解氧等指標缺乏系統深入的認識，對其光譜特征關注度不夠。

2018年夏季，海河流域北海海域生態環境監督管理局組織了對官廳水庫的水色試驗，獲取了高品質的水色要素濃度、水體光譜以及環境等參數，本文利用水體實測光譜和實驗室分析數據，探討了水體光譜特征與葉綠素、濁度和溶解氧等富營養化和污染指標之間的相關關系，建立了適用于官廳水庫水體的富營養化和污染遙感定量模型，同時分析了反演模型在官廳水庫富營養化及污染狀態調查應用中的精度。

1 數據獲取

官廳水庫橫跨河北省懷來縣和北京市延慶縣，位于北京市西北約80km 的永定河官廳山峽的入口處，水面面積為157km2。官廳水庫山區面積、丘陵區面積、河川區面積分別為14191km2、16173km2、133038km2，分別占全流域面積的33%、37%、30%，總庫容為41.6 億立方米，控制流域面積42500km2，是北京市集供水、防洪、水產、發電等多功能于一體的水庫之一，也是懷來縣發展農、林、漁業的主要水源之一[10]。

（1）水體實測光譜數據

2018年6月8日，在官廳水庫進行了二類水體反演模型建立與檢驗的水色試驗（試驗站位見圖1）。本次試驗主要測量水體的反射光譜、葉綠素a、濁度、溶解氧，以及氣象輔助要素等，共獲得17個站位的現場及實驗室數據。

在水體光譜測量中，光譜儀在水面之上測量得到的總輻射量L主要源于太陽直射反射、天空光水面反射以及離水輻亮度[11]：

式中Lw是進入水體的光被水體成分散射回來進入傳感器的離水輻射量，包含反演所需的水體信息；ρ是水-氣界面反射率；Lsky是天空光在水面反射以后進入觀測儀器的信號；Lcap是海面白帽的信息，Lg是水面波浪對太陽直射光的隨機反射，三者均不含有水體信息。表面測量法的關鍵是如何消除水面輻射場中因波浪影響而引入的太陽直射反射、白帽和天空光反射成分。

采用手持ASD FieldSpec 光譜儀進行水體表面光譜測量[12]，光譜范圍為325～1075nm，其光譜分辨率約為3nm（700nm 處小于3nm）。依次測量水體輻亮度、天空光輻亮度、標準灰板輻照度后，按照下式計算光譜反射率Rrs：

圖1 官廳水庫采樣點分布圖Fig.1 The map of sampling sites in Guanting Reservoir

圖2 實測反射率光譜Fig.2 Reflectance spectral curves in situ

（2）實驗室分析數據

現場試驗采集的水樣經過實驗室分析，葉綠素a（Chlorophyll-a，Chl-a）、濁度（Turbidity，Tur）和溶解氧（Dissolved Oxygen，DO）濃度的信息分別如圖3 所示：

采樣水體葉綠素a 含量的最大值為14.06μg/L，最小值為2.36μg/L，平均值為5.0713μg/L；濁度的最大值為4.74NTU（散射濁度單位），最小值為0.9NTU，平均值為2.0282NTU；采樣水體溶解氧濃度的最大值為11.9mg/L，最小值為8.6mg/L，平均值為9.5571mg/L。

（3）衛星影像數據

衛星影像數據來源于“高分二號”（GF-2）衛星[14]，其波段范圍如表1 所示，較好涵蓋了反映水色物質光譜特性的波段范圍。

圖3 水質參數（濃度）實驗室分析結果Fig.3 Water quality parameters（concenlration）distribution obtained in lab

表1 GF-2 衛星數據的波段信息Tab.1 Band information of GF-2 satellite data

選取與水體光譜測量準同步的2018年5月25日GF-2 衛星影像數據進行預處理（包括輻射定標、大氣校正、幾何校正），得到消除大氣影響、幾何變形后的水體遙感反射率數據。

2 模型與方法

（1）神經網絡模型

人工神經網絡的誤差反向傳播訓練算法（簡稱BP 算法）的主要思想是把學習過程分為兩個階段[15-17]：第一階段為正向傳播過程，給出輸入信息，通過輸入層經隱含層逐層處理并計算每個單元的輸出值；第二階段為誤差反向傳播過程，若在輸出層未能得到期望的輸出值，則逐層遞歸計算當前輸出與期望輸出的差值（即誤差），并依據差值調整權值與閾值，不斷迭代上述兩個過程，最終使得誤差達到最小。

本文采用的神經網絡模型為三層前饋型神經網絡結構，采用BP 算法進行網絡訓練，其結構如圖4 所示[17]。

圖4 三層神經網絡結構Fig.4 The neural network structure with three layers

將GF-2 衛星各波段反射率計算的光譜特征參數作為輸入，相應的水質參數作為期望輸出，模型的訓練數據集來自水體光譜測量以及實驗室分析結果。

（2）光譜特征參數的最優選擇

二類水體的光譜反射率隨波長而變化，從圖2 可見，在可見光波段出現兩個反射峰，第一個反射峰在500～600nm 之間，第二個反射峰在660nm 左右，反射谷則出現在650nm 附近。GF-2 衛星的B1、B2、B3與水體的敏感波段均有重疊，通過研究不同波段與葉綠素a 濃度、濁度和溶解氧濃度的相關關系，以光譜相關系數作為選擇最優的光譜特征參數準則，從而篩選出用于反演的光譜特征參數。備選的光譜特征參數包括以下四類：

光譜等效反射率之差 Diff(λ1,λ2)，即

光譜等效反射率之比 Ratio(λ1,λ2)，即

歸一化的光譜等效反射率 Norm(λ1,λ2)，即

三波段組合的光譜特征參數 Tri(λ1,λ2,λ3)，即

表2 光譜特征參數的相關系數Tab.2 The correlation coefficients of spectral features parameters

由表2 可知，對于三個待反演的水質參數，篩選后的5個光譜特征參數均有較高的相關系數，其數值均在0.5 以上，最高可達0.8 左右，而且相關性最高的特征均為B3 和B1 的差值組合（Diff（B3, B1））。統計后可知，所有水質參數的高相關性光譜特征參數中，B3 與B1 的出現頻率最高，均為10 次，這也與國內外目前經驗或半分析水質參數反演算法中利用藍、紅波段作為特征波段的結論相吻合。

同時可見，雙波段差值組合出現的頻率為7 次，比值組合和歸一化差值組合出現的頻率均為4 次，而三波段組合的頻率為0 次。這說明對于官廳水庫而言，波段反射率之差可以較好的反映區域內水質參數狀況。

基于上述高相關性光譜特征參數，構建訓練數據集，選取70%的數據用于訓練模型，15%數據用于測試，15%數據用于驗證。訓練過程中選擇Sigmoid 函數作為神經元的激活函數，經調整后模型包含1個隱含層，隱含層內有10個基本單元。

用于訓練模型的實測值與模型估測值之間的散點圖如圖5 所示，圖2 右下角是二者的確定系數R2，結果顯示，實測值與估測值均分布在1：1 線（如圖5 中虛線所示）附近，DO 和Tur 的訓練模型效果最好，確定系數達到0.99 以上，Chl-a 的實測值與估測值之間也有較好的一致性，其確定系數為0.9395。

圖5 實測值與估測值散點圖Fig.5 The scatter plot between measured and estimated values

3 結果與分析

（1）精度驗證

為分析反演模型的適用性以及模型誤差，選擇遙感影像中所覆蓋的8個實地采樣點作為精度驗證樣點，計算實測值與反演值之間的相對誤差，葉綠素a、濁度和溶解氧的結果如表3、表4、表5 所示。

表3 葉綠素-a 反演結果驗證Tab.3 Validation of Chl-a retrieval results

表4 濁度反演結果驗證Tab.4 Validation of Tur retrieval results

表5 溶解氧反演結果驗證Tab.5 Validation of DO retrieval results

驗證結果顯示，葉綠素a 和溶解氧的平均相對誤差在23%左右，部分采樣點的葉綠素a 濃度相對誤差低于10%，濁度的反演誤差稍高，相對誤差的平均值約為31%，少數點的誤差較大，這些誤差較大點多存在于實測值較大的點附近。由于遙感像元與采樣點存在尺度差異，使得空間分布存在突變，此時單點采樣難以代表該點附近像元尺度的區域，并且由于藍光波段受大氣的影響較為嚴重，大氣校正的精度直接影響了水質參數的反演精度。但整體來看，葉綠素a、濁度和溶解氧的反演誤差在二類水體反演的誤差可接受范圍之內（約20%～30%之間）[19-22]。

（2）基于葉綠素的富營養化評價

Chl-a 作為浮游植物的重要組成成分，是衡量浮游植物現存量和水體富營養化程度的重要指標。基于建立的葉綠素反演模型，官廳水庫Chl-a 濃度的空間分布如圖6 所示。

由反演結果可見，Chl-a 的濃度在水庫北部濃度較低，而在南部地區較高。這是由于北部地區水生植物比較茂盛，大量的水生植被吸納水體中的N、P 等元素，從而抑制了藻類生長，因此該區域內Chl-a 的濃度較低。而在水庫南部區域，由于河床較低，湖水較深，水生植物接收的太陽輻射較為稀薄，光合作用薄弱導致表面水體的二氧化碳濃度較高，更適合浮游植物的繁殖，因此該區域內Chl-a 的濃度較高。

為了防治水庫水體的富營養化，不但要對水體的富營養化指標進行監測，而且要對水體所處營養狀態進行評價。以Chl-a 反演結果為數據源進行營養狀態指數TSI 的計算[23]

式中Cchl為水體Chl-a 含量。依據分類標準，對官廳水庫進行富營養化水平分類，如圖7 所示。官廳水庫Chl-a 濃度為1.4～12.9μg/L，平均濃度為5.97μg/L，TSI 在20～50 之間變化，水庫北部屬于中營養型（30～40），水庫南部屬于中富營養型（40～50），永定河入口一部分區域富營養化程度較低，TSI 為30左右，處于貧中營養型水平和中營養型水平之間。

圖6 葉綠素-a 的空間分布Fig.6 Distribution of Chl-a

圖7 官廳水庫富營養化情況Fig.7 Eutrophication status of Guanting Reservoir

（3）污染程度分析

基于建立的濁度反演模型和溶解氧反演模型，官廳水庫Tur 和DO 的空間分布如圖8、圖9 所示。Tur代表了水體的“清澈”程度，由圖8 可見，Tur 在北部區域普遍呈現為較低值，基本上小于2NTU，而在岸線周邊呈現明顯高值，約為3NTU，且從永定河入口呈現出向四周擴散狀，庫區南部的水體濁度逐漸下降，處于低值狀態，南部小部分水體濁度基本上小于1NTU。

DO 則直接反映了水體水質狀況，其含量越低，說明水體受污染程度越嚴重。有機物污染嚴重的水體溶解氧含量低，它與水生生物的生存有著密切的關系。由圖9 可見，除近岸區和南部部分水體的DO 值較低外，庫區整體DO 值較高。

庫區北部河道水流速度快，水體交換能力較強，同時由于水力沖刷作用，沉積物堆積較少，因此水域的渾濁度較低，溶解氧含量較高。南部水體流動緩慢，水體交換能力較差，再加上底泥二次污染，導致庫區南部部分區域的渾濁度較高，溶解氧含量較低。庫區岸線周邊與陸地接壤，生物含量和有機污染都較為嚴重，由于面源污染導致該區域溶解氧含量低于其它水域。

圖8 濁度的空間分布Fig.8 Distribution of Tur

圖9 溶解氧的空間分布Fig.9 Distribution of DO

4 結束語

通過尋求最優光譜特征參數并建立其與葉綠素、濁度和溶解氧等富營養化和污染指標之間的相關關系，能夠建立針對二類水體富營養化和污染的遙感監測定量模型，更能表現出水色成分與水體光譜之間復雜的非線性關系。基于GF-2 衛星數據反演葉綠素、濁度、溶解氧的平均相對誤差分別為23.2%、31.74%、23.75%，在二類水體反演誤差的可接受范圍之內，表明該模型適用于官廳水庫富營養化及污染狀態調查，將為官廳水庫水資源、水環境和水生態管理提供數據支撐。

在內陸二類水體，高精度的建立水質參數與遙感反射率之間的真實關系具有很大的難度和挑戰，本文的工作僅是開始，圍繞遙感反射率與水體特性仍有許多有待完善和進一步深入研究的方面：在內陸近岸水域，傳統的光譜模型并不適用，下一步將對水體固有光學特征進行深入研究；建立區域的光學-生化參數轉換模型，拓展生化參數的遙感反演能力；二類水體水色遙感涉及二類水體大氣校正和二類水體水質參數反演兩方面問題，下一步將重點在統一的框架體系下考慮上述問題，從而提升遙感監測精度。