黑臭水體遙感識別研究進展

陳帥, 趙文玉, 廖中平

(1.長沙理工大學交通運輸工程學院，長沙 410114； 2.洞庭湖水環境治理與生態修復湖南省重點實驗室,長沙理工大學水利工程學院，長沙 410114； 3.湖南省水生資源食品加工工程技術研究中心,長沙理工大學化學與食品工程學院,長沙 410114)

0 引言

我國住房和城鄉建設部頒發的《城市黑臭水體整治工作指南》[1](以下簡稱《指南》)定義黑臭水體為呈現令人不悅的顏色和(或)散發令人不適氣味的水體，依據透明度、溶解氧、氧化還原電位和氨氮4個水質指標將其分為非黑臭、輕度黑臭和重度黑臭3個等級。國內外學者研究發現，有機物污染、氮磷污染、底泥再懸浮和重金屬污染可導致水體黑臭[2-4]。固態或吸附于懸浮物的不溶性物質如硫化亞鐵和硫化錳等黑色沉積物，以及溶于水的帶色有機物如腐殖質類有機物使水體發黑[5]； 水體發臭則是由厭氧微生物分解有機物產生硫化氫、氨、硫醇等發臭物質引起的[6]。長期以來，黑臭水體不僅破壞河流生態系統，而且影響飲水安全和農產品安全，最終威脅人體健康[7]。

由工業、農業和生活廢水過量排放導致的水體黑臭現象得到了廣泛關注，國務院頒發的《水污染防治行動計劃》[8](以下簡稱《水十條》)明確指出，到2030年總體上要消除城市建成區內黑臭水體。黑臭水體整治工作刻不容緩，因此對于黑臭水體空間分布監測的需求越來越迫切，尤其是大范圍、動態、快速、長期的黑臭水體監測技術對于黑臭水體的科學治理具有特別重要的意義。傳統黑臭水體監測依賴實地采樣進行化學分析等手段，通過溶解氧、氨氮等水質指標構建黑臭水體的評價體系[9-12]。這些基于水質指標的黑臭水體監測耗時耗力，且不能滿足大范圍、動態的監測需要。

遙感具有覆蓋面積廣、時效性強、信息量大、受地理環境影響小等優點，能夠為大范圍水體變化監測提供全新的技術手段[13]。水體在可見光到紅外波段反射率明顯低于其他地物，而在近紅外和中紅外波段的強吸收作用則使反射率極低[14]； 影響內陸水體光學特性的光學活性物質主要有純水、浮游植物、非藻類顆粒物和有色可溶性有機物(chromophoric dissolved organic matter, CDOM)[15]等。不同水體所含光學活性物質不同，造成對太陽輻射能量的吸收和反射程度有所差異，使得相應的遙感反射率、灰度以及色階均有所差別[16]，例如葉綠素a在685 nm附近有明顯的熒光峰[17]，CDOM在紫外和藍光有較強的吸收等[18]。基于這些光學特征，遙感技術在水體提取[19-22]、水深探測[23-24]、水質反演[25-28]以及黑水團監測[29-32]等領域得到了廣泛應用。其中黑水團是大量藍藻的高度聚集導致的局部水體缺氧且發黑，這點與黑臭水體相似。國內學者通過分析黑水團區域反射光譜特征，提出黑水團的遙感判別依據[33-34]，并結合室內黑水團模擬試驗和實測光學特性構建黑水團識別算法[35]，對黑臭水體遙感識別有一定的借鑒意義。

本文總結了黑臭水體遙感識別的研究進展，首先分析黑臭水體不同的識別特征，包括反射光譜特征，水體顏色特征、固有光學量特征等，并歸納已有的一些識別算法； 同時指出目前算法可能存在的問題； 最后對未來發展趨勢進行展望。

1 黑臭水體遙感識別現狀

研究發現，黑臭水體的反射光譜(遙感反射率曲線)、水體顏色以及固有光學量(如CDOM的吸收系數)與非黑臭水體有明顯差異。通過分析水體的反射光譜特征，結合地面實測數據的相關性統計分析，選擇最優波段或波段組合來建立模型是水色遙感中常用的方法之一。黑臭水體中溶解或懸浮的污染物成分或濃度不同，使得其顏色與非黑臭水體有一定差異，而色度法正是基于不同顏色的主波長進行水體類型識別的一種方法[36]。水體固有光學量不隨入射光場變化而變化，僅與水體中物質成分有關，如吸收系數與散射系數等。通過獲得的遙感反射率計算不同物質的吸收系數或散射系數等固有光學量，再根據其固有光學量判斷水體黑臭，也可用于識別黑臭水體[15]。以下分別對3種黑臭水體識別特征進行綜述分析，并歸納各自適用的算法。

1.1 基于反射光譜的閾值法

基于反射光譜的識別算法通過分析黑臭水體與非黑臭水體的反射光譜曲線差異，選擇合適的波段構建模型，再根據不同水體對應的模型值設定黑臭水體的閾值，稱為閾值法[36-37]。其中水體遙感反射率根據獲取途徑可以分為實測反射率、等效反射率以及影像反射率3種。

實測反射率是在野外實地使用地物波譜儀基于表面法[38]測量的水面反射率，具有光譜分辨率高、誤差小等特點，通過實測不同水體反射率可發現其反射光譜的差異，從而反映不同類型水體具有的不同特征[15,37,39-40]，可用于區分黑臭與非黑臭水體。如圖1所示，非黑臭水體在550 nm,675 nm和700 nm左右有特征波峰波谷，而有黑臭現象的水體反射光譜曲線與其相比有明顯差異，在曲線波峰波谷和值大小特征上大致可歸為3類： 一類水體在400～900 nm波段沒有明顯波峰和波谷，曲線平緩且值較低； 二類水體光譜在550 nm,675 nm及700 nm處波峰波谷幾乎可以忽略，但在750 nm時反射率下降明顯，與非黑臭水體趨勢相近； 三類水體在400～550 nm范圍內快速上升，整體曲線值要高于非黑臭水體和其他黑臭水體，且在675～700 nm間具有非黑臭水體相似的波峰波谷，并在800 nm存在明顯的波峰。由此可見，黑臭與非黑臭水體的光譜曲線有較大差異，但目前光譜曲線與黑臭水體分類標準[1]或黑臭成因間關系相關性尚需進一步進行研究和分析。

圖1 非黑臭水體和黑臭水體實測反射率[15,37,39]Fig.1 Measure reflectance of normal waterbody and black-odor water body

等效反射率指利用實測反射率通過光譜響應函數擬合所得到的等效多光譜衛星影像反射率； 影像反射率指衛星影像通過輻射定標和大氣校正后獲得的水體反射率。國內多光譜遙感衛星高分(GF)一號、二號具有空間分辨率和時間分辨率高的特點，可通過將實測反射率擬合為GF多光譜反射率(圖2)[37, 39]或直接使用GF影像反射率(圖3)[16,41]來研究適用于GF影像的黑臭水體識別模型。

圖2 非黑臭水體和黑臭水體等效反射率[37, 39]Fig.2 Equivalent reflectance of normal waterbody and black-odor water body

圖3 非黑臭水體和黑臭水體影像反射率[16,41]Fig.3 Image reflectance of normal waterbody and black-odor water body

由圖2可知，黑臭水體的等效反射率曲線比非黑臭水體平緩，與其實測反射率變化趨勢一致； 在綠光波段黑臭水體等效反射率明顯小于非黑臭水體，在近紅外波段黑臭水體等效反射率值大于非黑臭水體。圖3所示為不同水體的影像反射率，為同步GF影像上獲取的水體采樣點處像元與相鄰像元計算均值后得到的不同水體影像反射率[16]。由于大氣校正不能完全去除大氣影響，影像反射率值比實測反射率值較大。綠光波段，非黑臭水體的反射率在550 nm處有一個熒光峰而黑臭水體無熒光峰； 藍光波段，黑臭水體的反射率略低于非黑臭水體； 紅光到近紅外光波段黑臭水體反射率明顯上升，而非黑臭水體反射率顯著下降。

基于上述黑臭水體與非黑臭水體的反射光譜差異，結合不同類型反射率特點和不同波段組合形式，研究者建立了多種黑臭水體遙感識別模型，見表1。表中，Rrs(555)指在555 nm處實測反射率值；Green，Blue，Red和NIR分別為GF-1,2多光譜衛星綠光波段、藍光波段、紅光波段和近紅外波段的反射率； Δλ1和Δλ2分別為藍光與綠光波段和綠光與紅光波段的中心波長間隔。

表1 基于反射光譜的閾值法Tab.1 Threshold method based on reflection spectrum

1.2 基于水色的色度法

水體組分的差異往往導致其顯示出不同顏色，因此可利用顏色差異進行遙感分類，即色度法。色度法采用的顏色系統是國際照明委員會(Commission Internationale del’Eclairage，CIE)創建的CIE-XYZ顏色系統，可對顏色進行準確的數字化表示。Duan等[29]通過CIE顏色匹配函數將離水輻亮度轉換為湖水顏色來區分湖泊的黑水區域與典型湖水區域； 李佐琛等[43-44]利用色度法模擬葉綠素a、CDOM和無機懸浮顆粒物(suspended inorganic particles matter，SIPM)在不同濃度下水體顏色變化； 董舒[45]通過分析含有鐵離子、銅離子等水體的顏色，提出了基于色度法的非接觸金屬離子監測方法。野外調查發現，黑臭水體除了呈現典型黑色外、還會呈現灰綠色、灰色、墨綠色以及褐色等，而非黑臭水體通常表現為淺綠或淺黃色[36]。因此，國內學者將色度法引入黑臭水體遙感識別中，將紅綠藍波段的反射率通過色度計算公式得到CIE顏色系統中代表水體顏色的主波長，再通過統計分析確定黑臭水體主波長范圍，進而對不同水體類型進行識別。

溫爽等[37]將黑臭水體的主波長范圍確定為528～540 nm，識別正確率僅為37.5%。單純利用主波長識別黑臭水體正確率不高，進一步通過飽和度S對黑臭水體進行識別[15, 42]，識別精度可提高到70%左右。飽和度的計算步驟[15,42，46]如下：

1)根據紅光、綠光、藍光波段反射率R，G，B計算3刺激值X，Y，Z，即

(1)

2)根據刺激值計算色度坐標(x,y)，即

(2)

3)計算角度α。在色度圖中建立以等能白光點S(0.333 3,0.333 3)為原點的直角坐標系o′-x′-y′，x′軸與色度圖y軸平行且方向一致，y′軸與色度圖x坐標平行且方向一致。將色度坐標轉換為新坐標系下的坐標(x′,y′)，并計算向量(x′,y′)與x′夾角α，即

(3)

α=arctan2(y′,x′)，

(4)

4)查找波長λ和光譜色度坐標(xλ,yλ)。經過坐標轉換后，α角隨著顏色主波長遞增，將CIE-xy色度圖中各波長光譜色度坐標建立一個380 nm到700 nm波長對應光譜色度坐標的主波長角度查找表，根據角度查找表得到對應的λ和光譜色度坐標(xλ,yλ)。

5)計算飽和度S。先計算等能白光點與光譜色度坐標的距離SD，與像元色度坐標的距離SC，飽和度S定義為兩個距離比值，即

(5)

S=SD/SC。

(6)

1.3 基于固有光學量的經驗算法

不同物質對于內陸水體中的輻射傳輸影響如下： 純水具有吸收和散射作用，浮游藻類的色素組成是葉綠素和其他輔助色素，非藻類顆粒物指懸浮于水中的SPIM、非藻類有機物等，后兩者都具有吸收和散射作用； CDOM主要是由腐爛物質所釋放的黃腐酸、腐植酸組成的溶解性有機物，具有吸收作用，但散射作用可以忽略。內陸水體(指非黑臭水體)的主要固有光學量及其特征分別為： 純水的吸收系數和散射系數是保持不變的[14,47-48]； 由于葉綠素a和胡蘿卜素的吸收作用，浮游植物吸收系數在440 nm和550 nm分別出現極大值和極小值，在675 nm處有一個明顯的峰值[49]； 非藻類顆粒物吸收系數和CDOM吸收系數ag(λ)具有相似的特征，即隨著波長的增大遵循指數衰減規律[50-51]； 對于散射作用，由于總顆粒物后向散射系數能構建生物光學模型，研究者大多測量總顆粒物后向散射系數并發現其隨波長增加呈冪指數衰減[52]。

黑臭水體的浮游植物吸收系數曲線比非黑臭水體缺少2個明顯的吸收峰，而曹紅業[15]發現黑臭水體的葉綠素a濃度與非黑臭水體無明顯差異，說明黑臭水體中還有其他輔助色素對吸收作用有影響。不同類型水體之間的非藻類顆粒物吸收系數差異性較小。黑臭水體與非黑臭水體的CDOM吸收系數在單個樣點上差異較小，但在總體樣本平均值上有一定差異，黑臭水體的CDOM吸收系數是非黑臭水體的1.4倍[53]。黑臭水體在各個波段的總顆粒物后向散射系數均高于非黑臭水體。丁瀟蕾等[53-54]通過無人機高光譜傳感器獲得遙感反射率，應用經驗算法反演440 nm處的CDOM吸收系數ag(440)和浮游植物吸收系數和非藻類顆粒物吸收系數之和即總顆粒物吸收系數ap(440)，將其分別作為黑臭水體的識別、分級的指標。當ag(440)>1.25m-1時將水體劃分為黑臭水體，其余為非黑臭水體； 當ap(440)>7m-1時為重度黑臭水體，其余為輕度黑臭水體。ag(440)的區分精度是76.36%，ap(440)分級精度達到87.65%，其經驗算法模型如下：

(7)

(8)

2 存在的問題

2.1 算法通用性問題

單波段或多波段組合的反射光譜閾值算法簡潔方便，計算量小，是目前黑臭水體遙感識別的主流算法。雖然基于反射光譜的識別算法精度高于其他兩種算法，但由于其閾值用于采樣地區的黑臭水體識別時準確度高，而用于非采樣地區時卻不夠準確，導致其算法移植性不強。張雪等[55]使用閾值法通過GF-1影像對深圳市的水體進行分類，發現該算法將部分黑臭水體識別為非黑臭水體，為提高黑臭水體的識別正確率，需結合地面實測數據對不同模型進行閾值修正。

算法通用性問題主要可能體現在以下兩方面：

1)各地黑臭水體成因差異較大且數據量不足以充分顯示黑臭水體的光學特性。目前國內學者在較多城市進行采樣，但數據量從空間和時間上均不足以充分顯示黑臭水體的光學特性[36]。且不同城市水體成分存在差異，南方城市黑臭水體多以河道污泥淤積、沉積的底質污染為主，北方城市黑臭水體是由大量外源性有機物污染進入導致[56]。不同季節的黑臭水體致黑致臭機理不同，夏季適宜的水溫加速微生物的新陳代謝，致使水體中有機物分解，釋放致黑致臭物質； 秋季藻類等水生植物大量繁殖、引發黑水大面積富營養化，導致水體發黑發臭[36]。

2)星地同步實驗難度較大，驗證樣本有一定的隨機性，可能需要進一步驗證其算法的準確性。大量的樣本更能反映黑臭水體的復雜程度及其真實變化范圍，而星地同步實驗難度較大，可能導致各模型用于精度評價的樣本數量不足，且具有一定的隨機性，樣本數據如果缺乏代表性，則可能導致算法的準確性需進一步驗證。溫爽等[37]進行同步實驗模型精度評價的采樣點只有8個，遠少于獲取閾值所采用的47個野外實測遙感反射率采樣點； 姚月等[39]用于精度評價的采樣點14個，遠小于獲取閾值所采用的96個采樣點； 而二者計算比值算法的識別正確率都已達到100%。用于精度評價的樣本與確定閾值所采用的樣本數相差較大，得出實驗獲取的識別準確率非常高，可能需進一步進行采樣驗證研究以確保其可靠性。

2.2 大氣校正存在難度

通過遙感數據獲取地表反射率需進行輻射定標和大氣校正。輻射定標只需要衛星傳感器的增益量(gain)和偏移量(offset)數據，這兩個數據隨遙感傳感器的使用狀態進行定期更新，通過查詢即可獲得。基于輻射傳輸模型的大氣校正方法是最符合光學遙感物理機理的方法[57]，包括6S[58-59]及MODTRAN[60-61]等使用廣泛的模型。使用這些模型需要知道大氣參數，尤其是氣溶膠光學厚度，而氣溶膠光學厚度數據獲取并不容易。

在星地同步實驗中，可利用太陽光度計實地測量氣溶膠光學厚度數據，但衛星傳感器無法獲取精確的氣溶膠光學厚度，需要基于圖像自身信息反演。衛星氣溶膠反演算法有暗像元法、深藍算法等[62]。其中暗像元法使用暗地表的紅藍波段數據進行氣溶膠光學厚度反演，因此不適用于亮地表的城市地區； 深藍算法用紅藍波段反演氣溶膠光學厚度精度，可能會受到氣溶膠垂向分布及相函數的影響[63]； 對于渾濁的內陸水域，使用765 nm和865 nm的反射率比值作為校準參數反演氣溶膠光學厚度效果更好[64-65]。

國內陸地遙感衛星快速發展，構建了包括資源、高分、環境/實踐和小衛星在內的對地遙感觀測衛星系列[66]。由于黑臭水體通常規模較小，因此需要較高空間分辨率的光譜影像數據。其中高分系列衛星如GF-1/2因其空間分辨率可達8 m/4 m且可用數據較多，常用于黑臭水體遙感識別研究，但其近紅外波段范圍為0.77～0.89 μm，無法構建765 nm和865 nm的反射率比值反演氣溶膠光學厚度數據，處理復雜的內陸水域較為困難； 其他高分衛星如GF-4/5的空間分辨率較低不足以滿足黑臭水體識別要求； GF-6衛星空間分辨率足夠且可提供765 nm和865 nm反射率值，可進行內陸水域的氣溶膠光學厚度反演，但由于可用數據不多目前尚未有研究將其應用于黑臭水體遙感識別，類似的還有珠海一號等。此外，研究者常根據季節和緯度選擇氣溶膠厚度經驗數據，這樣可能導致大氣校正不夠準確，不一定能反演真實情況。

有人提出用更簡便的瑞利散射替換氣溶膠散射，因為瑞利散射只需要大氣壓和高程數據即可，且使用瑞利散射反射率和氣溶膠反射率計算的模型值具有較好相關性。當氣溶膠光學厚度較小時，黑臭水體和非黑臭水體基于瑞利散射反射率所計算的模型值差距大，可用于識別黑臭水體； 但當氣溶膠光學厚度逐漸增大時，遙感圖像可能越來越模糊，黑臭水體和非黑臭水體基于瑞利散射反射率所計算的模型值差距越來越小，區分黑臭水體和非黑臭水體的難度將增大[39]。所以如何選擇合適的大氣校正方法并進行黑臭水體識別的深入研究，將有助于提高星地同步實驗對黑臭與非黑臭水體的識別區分度。

2.3 識別特征精確度不足

目前使用反射光譜、水體顏色、部分固有光學量作為識別特征進行黑臭水體遙感識別，總體來看，這些識別特征能粗略區分黑臭水體和非黑臭水體，但可能不能表征黑臭水體形成機理的關鍵因子，基于這3種識別特征構建的模型會出現黑臭水體與非黑臭水體重疊現象從而影響識別精度。

部分非黑臭水體實測反射率曲線經過光譜響應函數擬合后可出現和黑臭水體相近的走勢，波段組合中的比值模型可能會將一些非黑臭水體劃分為黑臭水體[38]。黑臭水體與非黑臭水體在440 nm處的CDOM吸收系數的均值有一定的差別，但在其有效吸收系數范圍內存在一定重疊，從而造成二者區分度不高[53]。與此類似的還有其他固有光學量，如750 nm處浮游植物吸收系數、440 nm處非藻類顆粒物吸收系數等。黑臭水體與非黑臭水體的顏色有時可顯示出一定的相似性，且高分影像4個波段中心波長和CIE標準顏色系統不能完全一一對應，故基于色度法區分水體是否黑臭也存在一定的偏差[45]； 另一方面城市湖泊水體吸收較強，遙感反射率值較低，在影像上呈現暗像元的特征，影響了色度法劃分黑臭水體的閾值，使得一些黑臭水體可能被誤判為非黑臭水體。

3 結論與展望

自《指南》和《水十條》頒布以來，我國黑臭水體治理工作逐步開展，城市黑臭水體問題得到了一定程度的緩解。但由于我國水系繁多，水體黑臭成因復雜，且黑臭經常反復，難以根治，因此其監測需求仍然持續增長。

遙感可為黑臭水體長期監測提供大范圍、動態、快速的技術手段，因而近年來發展迅速。本文通過分析黑臭水體和非黑臭水體在反射光譜、水體顏色以及固有光學量3個特征上存在的明顯差異，歸納了基于不同識別特征的識別算法： 基于反射光譜的閾值法(波段比值)、基于水體顏色的色度法及基于固有光學量的經驗算法(線性回歸)。其中色度法與固有光學量的經驗算法研究方興未艾，但模型較為復雜且需排除的干擾因素較多，仍需進行大量的研究； 閾值法模型簡單、計算方便，目前是黑臭水體遙感識別的主流算法。

已有的黑臭水體遙感識別算法雖然已應用于黑臭水體監測，但仍存在一些問題： 從算法通用性來看，閾值法存在通用性低的問題，主要原因在于各地黑臭水體成因差異較大且數據量不足以充分顯示黑臭水體的光學特性，且星地同步實驗難度較大，驗證樣本有一定的隨機性； 從數據源來看，雖然目前遙感數據源眾多，但由于黑臭水體規模較小且可用數據獲取有一定難度，目前識別黑臭水體最主要的遙感數據來源局限在GF-1/2衛星，且由于其波段限制，導致基于圖像自身信息的大氣校正不夠準確； 從識別特征來看，部分黑臭水體和非黑臭水體在3種識別特征上可能存在稍許重疊，從而導致識別特征的精確度存在不足。

由此可見，黑臭水體遙感監測存在較大需求，研究工作已有一定進展，但還遠不能滿足全國性、長期性的業務化監測需求，仍存在較多難點與挑戰。結合已有算法存在的問題，本文對今后的研究提出以下幾點展望：

1)進一步挖掘和豐富黑臭水體的識別特征。在水質反演中，有研究提出反射光譜曲線形態特征，包括極值、對稱度、光譜編碼、三階導數等作為模型變量，實現pH值、鉀與氯離子比值、鎂離子與堿度比值等水質參數的反演[67]。通過反射光譜曲線形態特征可放大水體中不同物質之間的差別，有助于挖掘新的識別特征。申茜等[68]分析反射率曲線極大值、極小值和拐點對應的特征波長，結合浮游植物色素的吸收光譜和太湖水體特有的組成成分給出了水體反射率在350～900 nm波段范圍內18個特征波長，豐富的特征波長有利于建立更精確的水質反演模型。水體黑臭的形成是由多方面的因素相互作用的結果，需要設計實施嚴謹的實驗來探究黑臭水體形成機理，而遙感技術作為一種遠程監測技術，主要以獲取水體遙感反射率作為數據基礎，所以從水體光學特性深入研究黑臭水體的形成機理，進一步挖掘和豐富黑臭水體的識別特征將成為未來黑臭水體遙感識別的重要內容。

2)進行反射光譜分類。基于反射光譜的識別算法對于區分黑臭水體與非黑臭水體的效果最好，但在不同地域不同季節仍然表現出有限的適應性，影響算法整體識別精度，同樣這種情況也出現在藻藍蛋白反演上。郭一洋等[69-70]采用先分類再反演的策略，首先采用逐步迭代的K均值聚類方法進行光譜分類，然后分別對每一類反射光譜建立最適用于該類的反演模型，通過檢驗證明分類再反演有效地提高了反演精度。不少研究者對黑臭水體的反射光譜也進行分類，但并沒有針對每一類反射光譜建立不同的識別模型[15,40]。未來擴大黑臭水體采樣規模或整合目前已有的黑臭水體反射光譜，建立全國黑臭水體光譜庫，尋找最佳分類策略進行科學分類，建立相應的識別模型，將極大地提高識別算法精度。

3)運用機器學習算法。目前采用的經驗算法雖然計算簡捷，但由于遙感反射率與黑臭水體各特征相關性得不到有效證明，導致經驗算法移植性不高。在大數據時代，機器學習算法致力于研究如何通過計算的手段，利用大量數據來改善系統自身性能[71]。常用的機器學習算法有人工神經網絡(artificial neural network, ANN)、支持向量機(support vector machines, SVM)、隨機森林(random forest, RF)等。機器學習算法在遙感分類反演方面已有一定應用，Kim等[72]利用GOCI衛星數據基于隨機森林和支持向量機等機器學習算法對葉綠素和懸浮顆粒物等水質參數進行反演，其中反演葉綠素的決定系數R2為0.91、懸浮物的R2為0.98。孫駟陽[73]利用多種機器學習算法構建總氮、總磷、氨氮和COD這4種水質參數的反演模型，發現R2高于0.99。黑臭水體的評價指標包括透明度、溶解氧、氨氮等，對這些指標反演精度高的機器學習算法將對黑臭水體的識別研究有較大幫助。