基于吉林一號衛星河道水質綜合監測方法

朱熹 劉黎明 葉張林

摘 要：面對上海市的水環境監測需求，針對國產“吉林一號”衛星的多光譜遙感數據，及水文水資源管理署提供的河道斷面采樣點數據，提出了一種水質參數反演方法。以上海市浦東新區為研究區，總磷、氨氮、高錳酸鹽、溶解氧為待反演水質參數，神經網絡BP算法為反演模型，基于國家標準得到水質類別。實驗結果顯示，浦東新區內總磷為主要污染指數，遙感反演算法精度良好，能夠應用于城市河道水質監測，為政府決策提供依據。

關鍵詞：吉林一號;神經網絡;水質反演

中圖分類號：U61? ? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? 文章編號：1006—7973（2020）09-0043-03

1 引言

清潔安全的水環境與人民的健康生活息息相關，也是社會可持續發展的基礎。城市區域人口密度大，經濟發展迅速，水環境的維護是重點也是難點，城市河流的監管任務充滿了挑戰。上海為了整治水體污染，按照分級管理屬地負責原則，建立了市、區、街鎮三級河長體系，力爭在2020年完全消滅劣V類河道。因此為了保障人民群眾的健康生活，維護城市的生態環境，水污染的及時發現就顯得尤為重要，也對監管部門的發現及響應能力提出了更高的要求。遙感手段相較于傳統的化學采樣分析法，具有以下優勢[1]：①響應速度快，遙感衛星可以實時傳輸影像數據，不需等待樣本檢測，即可為相關部門快速定位污染河道提供依據;②覆蓋范圍廣，對于上海市各區鎮可以完整覆蓋;③實際成本低，相較于采樣送檢，遙感手段極大降低了污染定位的各類成本。

隨著國家對于衛星遙感能力的重視，更多高時空分辨率的衛星升空，為建立完整的遙感監測網提供了可能性。而遙感水質反演技術依附于遙感硬件力量的成長，也獲得了長足的進步，可反演的各類參數也擴充至葉綠素a、懸浮物、氨氮、總磷等。目前的水質反演方式主要分為分析方法、經驗方法及半經驗方法[5-7]，其中，分析方法基于光譜的反射、散射及水體的吸收等方面考慮，建立在光學傳輸的物理基礎上，具有嚴謹的推演邏輯，但是所需數據較多，模型構建困難，且也有一定的區域局限性。經驗方法則是對采樣數據與光譜數據統計關系建立模型[8]，方法相對簡便，但是局限性明顯樣本與衛星影像同步困難，且沒有物理依據。Dekker[2]基于Landsat衛星的TM數據，對懸浮物和葉綠素a進行了線性和指數回歸。半經驗方法將已知的光譜特征與統計模型結合，分析相關性較優的譜段或譜段組合，多應用于高光譜遙感影像。Buckton[3，4]使用Meris數據和BP神經網絡構建模型，反演了葉綠素a、黃色物質、懸浮物等水質參數，驗證精度高于一般經驗模型。

本文以長光衛星技術有限公司自主研發的“吉林一號”多光譜遙感影像及浦東新區水文水資源管理署提供的水質樣本點數據為基礎，對四項指標總磷、氨氮、高錳酸鹽、溶解氧建立神經網絡BP算法模型，在此基礎上得到遙感水質參數的反演模型，并對其精度進行驗證。

2 實驗數據及預處理

2.1實驗數據

本文遙感衛星采用“吉林一號”，該衛星一箭四星包括一顆光學A星、兩個靈巧視頻星及一顆靈巧驗證星。本次實驗使用光學A星的浦東區四景多光譜數據，其包括B0-B19共20個譜段，其中，B0-B6空間分辨率為5m，B7-B12分辨率為10m，B13-B19分辨率為20m，重返周期為3.3天，幅寬有11.6公里，考慮到分辨河道的空間分辨率要求，選用B0-B6進行遙感水質反演，見下表。

水質參數采樣數據獲取的是衛星成像同一天的上海市河流斷面實地采樣分析數據，按照《地表水環境質量標準（GB3838-2002）》由水文水資源管理署提供737個斷面采樣點溶解氧（DO）、高錳酸鹽指數（CODMn）、氨氮（NH3-N）、總磷（TP）共四項指標進行評價。

2.2數據預處理

在進行水質反演之前，需要對衛星遙感數據進行鑲嵌拼接、輻射定標、大氣校正以及幾何校正，利用定標參數將遙感衛星獲取的傳感器記錄的數字量化DN值轉化為地表反射率。除此之外，利用NDWI對水體進行提取，一般閾值設為0，大于0的像元視為水體，整體提取效果良好，但是在細小河道由于混合像元現象嚴重，漏檢明顯，由于本實驗主要針對市區鎮管河道，所以NDWI可以較好達到目的。

針對水質樣本點的預處理工作包含兩個部分，一是剔除狹窄河道樣本點，該區域混合像元現象嚴重，嚴重誤導反演結果，二是通過標準閾值法剔除樣本數據中的異常點。經過上述兩步篩選，共計保留641個樣本點數據參與之后的模型構建。

上圖為篩選之后樣本點各水質參數指標分布，總體上四水質指標展示整體水質良好，但仍然存在少量劣V類水樣，及大量V類水樣。由圖可知，高錳酸鹽指數表現最良好，主要集中為II-IV類水，總磷表現最差，V及劣V類水樣占比最高，且不存在I類水樣，超標通常源于生活污水和化工廢水，主要是由人類活動造成。

3 基于神經網絡BP算法遙感水質反演方法

3.1神經網絡模型構建

神經網絡模型作為一種半經驗模型，近年來被廣泛應用于衛星遙感反演。神經網絡是一種模仿動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。這種網絡依靠系統的復雜程度，通過調整內部節點之間相互連接關系，從而達到處理信息的目的。其中，誤差反向傳播（BP）算法（圖3）是神經網絡中的基礎，學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成。正向傳播時，輸入樣本從輸入層傳入，經各隱層逐層處理后，傳向輸出層。若輸出層的實際輸出與期望的輸出不符，則轉入誤差的反向傳播階段。誤差反傳是將輸出誤差以某種形式通過隱層向輸入層逐層反傳，并將誤差分攤給各層的所有單元，從而獲得各層單元的誤差信號，此誤差信號即作為修正各單元權值的依據。這種信號正向傳播與誤差反向傳播的各層權值調整過程，是周而復始地進行的。權值不斷調整的過程，也就是網絡的學習訓練過程。此過程一直進行到網絡輸出的誤差減少到可接受的程度，或進行到預先設定的學習次數為止。