基于高分二號的城市黑臭水體動態監測

胡國慶，陳冬花,，劉聰芳，謝以梅，劉賽賽，李虎

(1.安徽師范大學地理與旅游學院，蕪湖 241000； 2.滁州學院計算機與信息工程學院，滁州 239000； 3.新疆師范大學地理科學與旅游學院，烏魯木齊 830001)

0 引言

隨著城市化的進程不斷加快，居民人數的迅速增加，大量的工業廢水、生活污水等排入城市河道，導致水體黑臭現象頻發，不僅對城市生態環境造成惡劣影響，還影響著市容市貌以及居民的身體健康。2015年4月2日國務院頒發的《水污染防治行動計劃》(“水十條”)[1]明確提出，到2020年，地級及以上城市建成區黑臭水體均控制在10%以內，到2030年，城市建成區黑臭水體總體得到消除。衛星遙感技術具有的效率高、成本低、可長時間周期監測等優勢，為環境保護[2]和黑臭水體的動態監測提供了新思路和解決方案。需要注意的是，利用遙感手段監測水體時，只能依靠光學信號監測水體的“黑”而無法監測水體的“臭”，對于只發出臭味而顏色正常的水體，光學遙感手段是無法監測到的，而大多情況下，水體受到污染時，常常同時出現刺鼻氣味以及顏色異常等現象，因此，以下統稱為黑臭水體的遙感監測。

早期的黑臭水體遙感識別研究集中在對類似的“黑水現象”或“黑水團”的研究，Nichol[3]運用Landsat TM影像成功識別了新加坡一個河口的黑水區域； Zhao等[4]利用MODIS和SeaWiFS數據，基于443 nm的離水輻射率和CDOM吸收系數提取了2002年和2012年2年的佛羅里達礁群黑水。隨著國內外學者對水體光學特性和水質分析的研究不斷深入，涌現了各種遙感識別算法，靳海霞等[5]利用高分二號(GF-2)衛星融合影像對北京市城鎮水體進行水體岸線提取和水質參數反演，利用水質參數濃度構建綜合營養狀態指數來判定河流黑臭情況； 溫爽等[6-7]根據黑臭水體光學特性提出了波段比值法，并驗證了其在南京市黑臭水體識別中的可靠性； 姚月等[8-9]提出用瑞利散射校正反射率代替遙感反射率，在波段比值法的基礎上提出了一種改進后的歸一化比值模型(black and odorous water index，BOI)； 七珂珂等[10-11]提出了一種城市黑臭水體遙感分級指數(black and odorous water classification index，BOCI)，用于重度黑臭水體與輕度黑臭水體的分級識別，并在此基礎上得到了2015—2018年沈陽市黑臭水體動態變化過程。

以上學者的研究表明目前城市黑臭水體的遙感識別尚處于算法初探階段，并且集中在對城市主要干流黑臭水體的提取，而對黑臭現象經常出現的細小河道溝渠的研究較少，不可避免出現漏判現象。此外，大多學者利用單一算法監測黑臭水體動態變化，由于容易受到影像質量、拍攝時間等因素干擾，無法驗證其在歷史影像中的精度，在實際應用中可靠性較低。

針對當前黑臭水體遙感識別及其動態監測中的不足之處，本文結合黑臭水體的光學特征和表觀特征，利用GF-2衛星的高空間分辨率特性，使得提取城市細小河道、黑臭水體的目視解譯更為準確，并以長江流域蕪湖段鳩江區為研究區，根據2016年2月5日政府公布的《全國地級及以上城市黑臭水體名單》[12](以下簡稱《名單》)，獲取同時期GF-2影像，針對單波段閾值法、波段差值法、歸一化指數法和斜率指數法進行閾值修正和精度評價得到最優算法，并在此基礎上利用2014—2020年GF-2影像，綜合利用目視解譯標志得到黑臭水體的分布及變化，探索基于光譜特征和表觀特征相結合的識別方法用于長時間黑臭水體動態監測的可靠性。

1 研究區概況與數據源

1.1 研究區概況

研究區位于安徽省東南部的蕪湖市，地理坐標介于E117°40′～118°44′，N30°19′～31°34′之間，流經蕪湖市的河流及蕪湖市境內河流，包括青弋江、漳河、水陽江、裕溪河和扁擔河等，以長江蕪湖段為主干構成了一個較為完整的水系。蕪湖市下轄鳩江區跨長江兩岸，水系發達、湖塘密布，經濟發展迅速。根據《名單》和《安徽省水污染防治工作方案》[13]公布的黑臭水體清單，蕪湖市黑臭河段79條，其中鳩江區有弋江站主溝，上、下新塘水系，火石埂東和西溝等25條黑臭河段，占全市的31.6%，是黑臭水體分布的典型區域。

1.2 高分影像數據及預處理

GF-2衛星[14]是我國自主研制的首顆亞米級民用光學衛星，回歸周期69 d，搭載2臺PMS(全色/多光譜)，左右相機幅寬為45 km，側擺能力±35°，可獲取的波譜范圍如表1所示。

表1 GF-2 載荷參數Tab.1 GF-2 load parameters

獲取2景2016年3月2日GF-2影像，用于算法閾值修正和精度評價； 獲取2014年12月14日、2016年11月3日、2018年1月1日、2020年3月19日各1景，用于鳩江區主城區黑臭水體動態監測，影像質量較好。基于ENVI5.3軟件平臺完成影像數據的預處理工作，主要包括正射校正、輻射定標、大氣校正、影像融合、影像鑲嵌等。首先，利用天地圖無偏移影像，對全色和多光譜影像分別添加控制點進行正射校正； 之后進行輻射定標和大氣校正，大氣校正采用ENVI軟件自帶的FLAASH大氣校正模塊； 然后，利用校正后的GF-2影像4 m多光譜和1 m全色數據，采用NNDiffuse Pan Sharpening方法進行融合，融合后的影像空間分辨率為1 m，既具有多光譜特征，又有較高的空間分辨率，如圖1所示。并且校正后的影像可以真實反映地物信息及水體遙感反射率信息。采用歸一化水體指數(normalized difference water index，NDWI)提取水體，掩模得到水體分布，并剔除混合像元，對主要的細小河流進行補全。

1.3 黑臭水體目視解譯標志

在GF-2影像上黑臭水體的表觀特征與一般水體有明顯差別(圖2)，根據前人研究[15]，利用以下黑臭水體的目視解譯標志作為輔助判別手段可以有效提高其遙感識別的精度。

(e) 垃圾堆放(大陽垾濕地公園水系)

1)水體顏色。由于生活污水、工業廢水的大量排放，城市河道有機物增多，導致水中耗氧速率大于復氧速率，造成缺氧環境，厭氧微生物分解有機質產生大量的惡臭水體，使水體發黑發臭。因此一般水體與黑臭的顏色差別是判別水體類型的首要依據。如圖2(a)和(b)所示，黑臭水體呈現黑色、墨綠色，而一般水體呈現綠色、淺綠色。

2)河道淤塞。河道狹窄、排水不暢，或河道封堵，水動力不足形成斷頭浜，如圖2(c)所示，也是導致水體黑臭的重要原因，因此，河道淤塞也是黑臭水體的重要特征和判據。

3)次生環境。當含有大量氮、磷元素的生活污水、農業、工業廢水排入河道，會使水體富營養化，導致水華、浮萍泛濫等現象出現，造成次生環境問題，從而引發黑臭，并伴隨大量挺水植被的出現，如圖2(d)所示。

4)岸邊垃圾堆放。當河道兩岸堆積大量生活垃圾和建筑垃圾時，若無法得到及時清理，經發酵后散發異味并產生其他污染物，在雨水沖刷等外力作用下進入河道，是造成河流黑臭的主要來源之一。如圖2(e)所示，方框內為垃圾堆放處，灰黑色水體為黑臭水體。

1.4 樣點分布

由于缺少2016年鳩江區水系實測數據，本文根據官方公布的黑臭水體清單定位黑臭河段，結合目視解譯標志判斷水體類別，在弋江站主溝，上、下新塘水系，火石埂東和西溝等地共判別并標定了24個黑臭水體樣點。同時在青弋江、裕溪河、下壩支渠、青山河、清水河選取了24個一般水體樣點。樣點分布如圖3所示。

圖3 樣點分布Fig.3 Sample distribution

2 黑臭水體遙感識別模型修正與精度分析

2.1 模型修正

目前對于黑臭水體的遙感識別，主要是通過波段的線性組合凸顯黑臭水體與一般水體的光譜特征和顏色差異，進而構建黑臭水體遙感識別模型，實現黑臭水體的識別與監測。本文嘗試利用單波段閾值法、波段差值法、歸一化指數法和斜率指數法分別構建識別模型。通過1.4節選取的樣點，利用校正后GF-2影像水體的遙感反射率進行建模和閾值修正，對比分析各算法精度，從而選擇最優算法。不同算法建模結果如圖4所示，算法公式及修正前后閾值如表2。建模結果表明，4種算法均能夠區分黑臭水體與一般水體，但結果各有差異。從圖4(a)可以看出，對于校正后的GF-2綠光波段反射率，黑臭水體與一般水體均存在較高或較低的樣點，兩者值域重疊導致基于峰值反射率的單波段閾值法無法有效辨別水體類型； 從圖4(b)—(d)可以看出，基于光譜曲線變化趨勢的3種算法提升了對這2種水體的區分效果，使得識別精度進一步提高。對比修正前后的閾值可以看出，由于各地區黑臭水體光譜特征和輕重程度不同，同一算法在不同地區的建模結果有明顯的差別，不同算法在不同地區的適用性不同，需要根據實際情況，綜合評價算法精度，以得到最優算法。

表2 公式及閾值選取Tab.2 Formula and threshold selection

2.2 精度評價

統計樣點判別結果如表3所示，本文利用用戶精度、產品精度和總精度評價模型精度，并利用Kappa系數檢驗模型識別一致性，公式如表4所示，計算結果如表5所示。從表5可以看出，波段差值法的用戶精度、產品精度以及總精度在4種算法中處于中上等，總精度最高表明其對一般水體和黑臭水體均有較好的識別效果，斜率指數法次之，歸一化指數法最差，單波段閾值法雖然對黑臭水體識別效果最好，但對一般水體識別效果較差。并且波段差值法的Kappa系數為0.75說明其識別結果具有高度一致性，明顯高于其他算法。算法精度評價結果表明，波段差值法用于識別蕪湖鳩江區黑臭水體的精度最高，將其用于黑臭水體的識別與監測可以更好地反映黑臭水體的動態變化。

表3 樣點判別統計Tab.3 Sample discrimination statistics

表4 精度評價公式Tab.4 Accuracy evaluation formula

表5 精度統計Tab.5 Accuracy statistics

3 黑臭水體動態監測

鳩江區黑臭水體主要分布在長江以東，扁擔河以西的主城區，該區域人口密集，河道溝渠密布，全面掌握其黑臭水體的分布情況和消長變化對于治理和監測水體環境具有重要意義。

利用獲取的2014年12月14日、2016年11月3日、2018年1月1日以及2020年3月19日的GF-2影像，使用波段差值法初步提取黑臭水體，如圖5所示，并聯合目視解譯標志判斷水體是否黑臭，驗證該方法在動態監測中的可靠性，并分析黑臭水體的變化情況和原因，為相關部門評價黑臭水體的治理效果提供參考。圖5表明，2014年鳩江區主城區水體黑臭情況已相當嚴重，監測區域內不同河段、大小溝渠都出現了不同程度的黑臭現象，主要集中在保興垾、大陽垾和弋江站主溝； 2016年末，大公溝黑臭現象消失，大陽垾黑臭水體顯著減少，新增黑臭河段保興垾九華北路支溝； 到2018年初，水體環境整體有了明顯的改善，不過大陽垾、大公溝出現了水體反黑現象； 截至2020年3月，鳩江區主城區水體除神山公園、保興垾鳩茲家苑支溝和上、下新塘水系仍有黑臭現象外，其他河段黑臭水體已全部消失。2014—2020年黑臭水體逐漸減少，這與政府的治理和監管有直接的關系，并且從GF-2影像上可以得知，火石埂及東河是通過整改河道治理黑臭(圖6)，而大陽垾等河道無明顯變化，是通過物化或生物等方法治理和修復的。

根據單一算法識別結果，新塘及其周邊河段自2014年一直被識別為黑臭水體，但通過GF-2目視解譯發現，新塘主體水域面積較大，水面平整無次生環境問題，無明顯黑臭水體特征(圖7(a))，因此判斷為一般水體。查閱相關資料[9]獲知，新塘水質較好，水體較深，在可見光波段表現為強吸收，因此在遙感影像呈現暗像元的特征，導致單一算法錯判。此外，新塘周邊河段2014年和2016年水面浮萍較多、水體呈現黑色，確為黑臭水體，2018年之后，浮萍消失，水面整潔，已變為一般水體，但由于此處河道狹窄，兩岸高樓林立，和保興垾鳩茲家苑支溝相同，均是由于陰影的覆蓋，導致其被錯判為黑臭水體(圖7(b))。

通過以上分析最終得到2014—2020年黑臭水體動態監測結果如表6，2014年、2016年、2018年、2020年黑臭水體面積分別為0.313 km2，0.152 km2，0.069 km2和0.008 km2。

表6 黑臭水體動態監測結果Tab.6 Dynamic monitoring results of black and odorous water

4 結論

根據2016年2月5日公布的蕪湖市鳩江區黑臭水體清單，利用單波段閾值法、波段差值法等構建遙感識別模型，聯合目視解譯標志用于城市黑臭水體長時間動態監測，得到以下結論：

1)單一算法中，波段差值法用于識別鳩江區黑臭水體精度最高，總精度為87.5%，Kappa系數為0.75，說明其識別結果具有高度一致性。

2)結合黑臭水體光譜特征和表觀特征，將目視解譯用于遙感識別算法的補充，可有效提高識別精度，消除水深、陰影的影響，進一步提高解譯精度，并可獲知河段黑臭成因，有利于相關部門及時制定治理方案。

3)將本文發展的黑臭水體識別方法用于2014—2019年4期GF-2遙感影像，提取黑臭水體面積從0.313 km2減少為0.008 km2，表明鳩江區主城區黑臭水體逐年減少，相關部門整治效果顯著，但應注意水體的反黑反臭等問題，以達到城市水體長治久清的目的。

4)由于本文選擇的樣點是典型的重度黑臭水體，其判定閾值較低，在識別重度黑臭水體上效果較好，不過對于輕度黑臭水體識別效果較差，未來的研究應該考慮將黑臭水體分級研究，分別確定識別方法及閾值，進一步提高識別精度。