基于Landsat 8影像的太湖生化需氧量遙感反演

梁永春，尹芳，趙英芬，劉磊

1. 長安大學地球科學與資源學院，陜西 西安 710054；2. 長安大學土地工程學院，陜西 西安 710054；3. 中國四維測繪技術有限公司，北京 100094

太湖作為中國的第三大淡水湖，在長江三角洲地區經濟發展和生態環境保護方面發揮著重要作用，具有水上運輸、飲水供應、水產養殖、旅游觀光等眾多功能（賈軍梅等，2015）。自20世紀80年代以來，隨著工業化和城鎮化水平的不斷推進，工業廢水以及生活污水排放導致太湖的水質狀況不斷惡化，水質由Ⅱ類水體降低至Ⅲ類水體，部分區域甚至降低至Ⅳ類和Ⅴ類水體（范成新，1996；林澤新，2002；謝紅彬等，2004）。2007年太湖藍藻大爆發以來，太湖治理有所加強，但水質狀況仍不容樂觀。生活污水和食品、造紙、印染、石化等工業廢水中含有油脂、蛋白質、糖類、脂肪酸、酯類等有機污染物質，有機物的累計會增加水中的耗氧量，影響魚類和其他水生生物的正常活動（張運林等，2020），進一步影響人類的生產生活以及生命健康。相比于內陸水體，湖泊水流緩慢且湖水更換周期長，稀釋湖內污染物的能力較弱（陶玉強等，2020），而太湖作為中國第三大內陸湖泊，湖水面積大且城市環繞，有機污染是太湖水體污染的重要組成之一。因此，須加強太湖水體有機污染監測，為太湖流域治理提供依據。傳統水質監測方法受多種因素的制約，特別是采樣耗時長且數量有限，只能監測斷面的水質狀況，無法實現大面積快速監測（田野等，2015）。遙感技術具有監測速度快、可監測的范圍大及周期性監測等優勢，被廣泛應用于土地資源調查、城市環境監測、農林業、大氣、水文等領域（陳良富等，2016；徐冠華等，2016）。

近年來由于水資源利用和水污染問題不斷加劇，水質遙感監測研究更加廣泛。水質遙感監測是指通過研究水體反射光譜特征與各水質參數之間的關系，建立水質參數反演模型，結合反演模型與遙感影像數據，反演整個區域的水質狀況，有利于

水體的區域性監測。很多專家學者進行水質遙感監測研究，研究的水質參數包括光學活性物質和非光學活性物質，其中水體光學活性物質包括葉綠素a、CDOM、NPSS、SD等物質，而非光學活性物質包括NH3-N、TP、TP、COD、BOD、DO等物質（黃耀歡等，2010；王林等，2013）。其中生化需氧量（biochemical oxygen demand，BOD）是指在一定條件下，微生物分解水中的可生化降解有機物所進行的生物化學反應過程中所消耗的溶解氧的數量（王洪偉等，2021）。BOD是水質有機污染監測的重要指標之一，在水質監測、水環境的功能評價以及有機污染的有效控制等方面都有相當重要的意義。自20世紀80年代人們就認識到生化需氧量對水體以及環境研究的重要性（丁岳水，1980），對 BOD評價水體有機污染狀況的有效性、BOD測定方法（Zhang et al.，2013；Liu et al.，2016；李國剛等，2004）以及與其他水質參數的相關性（殷燕等，2010）等方面開展了重點研究。部分學者使用多種研究方法（Najafzadeh et al.，2019；Tao et al.，2019；Golab et al.，2020）預測 BOD 濃度。曾祥英等（2010）采用基于時域的反演算法模型構建佛山河道的BOD模型，Hur et al.（2012）預測典型城市河流的BOD、COD 和總氮濃度。Sharaf El Din et al.（2017）利用 Landsat 8/OLI進行水體光學和非光學參數的估算。楊柳等（2013）基于BP神經網絡和ETM+影像像元光譜進行溫榆河 BOD反演研究。林劍遠等（2019）基于航空和水表高光譜遙感數據，利用水質參數和光譜反射率進行相關性分析，建立嘉興市河網化學需氧量、生化需氧量、總磷、總氮的反演模型。這些研究成果均證實利用多光譜數據Landsat ETM+、Landsat 8/OLI影像數據和高光譜遙感數據進行 BOD的反演研究的可行性。雖然運用高光譜影像和多光譜影像數據均可有效進行 BOD濃度的反演監測，但高光譜數據目前時效性較差，嚴重影響高光譜遙感的推廣使用，而多光譜影像數據具有數據免費、空間分辨率高、重訪周期短、覆蓋范圍大等優點，已被廣泛應用于水體、土地、森林、海洋等研究領域的遙感監測和研究，充分利用多光譜數據進行水體等研究具有廣闊的發展前景。目前運用最多的多光譜數據為Landsat系列遙感影像，尤其是Landsat 8影像數據，自2013年投入使用之后，因空間分辨率高、波段數據較多、光譜覆蓋范圍大等優勢被廣泛使用。

目前太湖水體監測數據表明太湖水體生化需氧量濃度出現超標，需氧有機物濃度增加，亟需開展太湖地區 BOD快速、長期監測與評估。因此，以太湖生化需氧量為研究對象，基于Landsat 8遙感影像和實測 BOD濃度數據建立響應關系模型，進行BOD反演、制圖，分析太湖BOD時空分布特征，為太湖有機污染的監測和治理提供依據。

1 研究區概況

太湖地處長江中下游地區，橫跨江蘇和浙江兩省，主體位于江蘇省南部。太湖水域面積為2338.1 km2，湖岸線全長393.2 km，平均水深1.9 m，最大水深2.6 m，總蓄水量為4.4×109m3。太湖地區屬亞熱帶季風氣候，夏季高溫多雨，冬季寒冷少雨，降水主要集中于夏季 7—8月，年平均降水量為 1000—1400 mm。太湖周邊地勢西高東低，西部多為丘陵，東部以平原為主，各類水系比較發達。

2 數據采集與研究方法

2.1 水樣采集

太湖面積較大，結合當地地形以及湖泊水體的分布特征，共布設20個采樣點（圖1），采樣點名稱與編號對應關系見表1。結合Landsat 8影像數據的獲取時間，本次研究可用水質樣品共有4組，分別為2016年5月4—6日、2016年8月1—4日、2016年9月1—8日、2017年3月2—8日。水質采樣及檢測根據中國環境監測總站《國家地表水環境質量監測網監測任務作業指導書 (試行)》的要求。BOD的測定需要單獨采樣，將水樣采集于棕色玻璃瓶，水樣注滿玻璃瓶且不留多余空間，水樣不少于1000 mL，樣品采集后的運輸過程需保存在冷藏設備。BOD測定方法以《水質五日生化需氧量(BOD5) 的測定稀釋與接種法》（HJ 505—2009）為標準。2016年5、8、9月和2017年3月獲得樣品BOD濃度范圍分別為1.4—4.4、0.9—4.8、1.0—4.8 和 1.6—6.2 mg·L?1。

圖1 太湖采樣點位置Fig. 1 Sampling points distribution of Taihu Lake

表1 太湖采樣點與編號對應表Table 1 Table of sampling points and serial numbers in Taihu lake

本研究主要運用2016年8月和9月數據進行模型構建和驗證。根據《地表水環境質量標準》（表2），2016年8月20個樣點實測BOD濃度，14個采樣點的ρ(BOD)≤3 mg·L?1，說明這些區域水質狀況較好，屬Ⅰ類和Ⅱ類水體；6個監測點的BOD濃度超過3 mg·L?1，表明太湖部分區域有機污染較嚴重，其中5個采樣點的質量濃度為3—4 mg·L?1，為Ⅲ類水體；1個采樣點的質量濃度為4—6 mg·L?1之間，為Ⅳ類水體。2016年9月實測數據，14個采樣點的ρ(BOD)≤3 mg·L?1，屬Ⅰ類和Ⅱ類水體；6 個監測點的BOD質量濃度超過3 mg·L?1，其中4個采樣點的質量濃度為3—4 mg·L?1，為Ⅲ類水體；2個采樣點的質量濃度為4—6 mg·L?1，為Ⅳ類水體。

表2 生化需氧量地表水環境質量標準1)Table 2 Environmental quality standards for surface water

2.2 遙感數據的采集和處理

2.2.1 遙感數據介紹

Landsat 8衛星發射于2013年，攜帶兩個主要的載荷：陸地成像儀OLI和熱紅外傳感器TIRS。OLI成像儀主要包括9個波段，TIRS包括2個波段。全色波段、多光譜波段、熱紅外波段空間分辨率分別為15、30、100 m，空間分辨率和信噪比均較高，適用于水體監測（徐涵秋等，2013）。本研究使用的Landsat 8影像數據獲取時間為2016年4月22日、2016年7月27日、2016年8月28日，2017年3月8日，影像部分區域存在薄云，太湖湖區受云層影響小。

2.2.2 遙感數據處理

利用ENVI 5.3軟件的FLAASH大氣校正模型對Landsat 8影像數據進行大氣校正，消除大氣的影響并將影像轉換為地表反射率。在進行大氣校正過程中需對傳感器高度、地表高程、大氣模型等參數進行設置（蒲莉莉等，2015），參數設置見表 3。Landsat 8不同影像的大氣模型、飛行日期和飛行時間不同，其他參數基本一致，大氣校正后獲得了Landsat 8 B1—B7共7個波段的反射率數據。

表3 FLAASH大氣校正模型參數（以2016年8月28日影像數據為例）Table 3 FLAASH atmospheric correction model parameters (the image in August 28, 2016 as an example)

2.3 BOD遙感反演方法

水質遙感反演研究方法主要是多元線性回歸方法、BP神經網絡、支持向量機、梯度提升決策樹法和偏最小二乘回歸等方法進行研究。其中偏最小二乘法（partial least squares regression，PLSR）將多元線性回歸分析、主成分分析與典型相關分析有機結合起來，通過從自變量集合中提取若干相互獨立的主成分來建立與因變量之間的關系（劉忠華等，2011），可較好地解決多元逐步回歸無法解決的光譜波段多重相關性問題。偏最小二乘法在反演土壤、礦物、重金屬、植被以及水體懸浮物、水體濁度等方面均取得了較好的效果（趙晨露等，2012）。而且機器學習法只顯示數據處理結果，無法展示建模參數與光譜特征的響應關系，更無法了解各個光譜波段對模型的影響程度，不利于研究結果的推廣應用。且太湖采樣點數據偏少且Landsat 8影像各波段之間相關性較強，因此選擇偏最小二乘回歸模型進行BOD水體反演研究。

Landsat 8遙感影像進行預處理之后，通過ArcGIS 10.3軟件提取采樣點位置Landsat 8影像數據各單波段的反射率值，將單波段和波段組合像元光譜反射率與實測 BOD濃度進行相關性分析，選取相關性最佳的波段作為敏感波段，以實測 BOD濃度為因變量，敏感波段為自變量，構建偏最小二乘回歸模型，通過驗證數據集進行驗證，根據驗證結果評價模型的精確性和有效性。偏最小二乘回歸模型的驗證參數為預測均方根誤差（RMSEP）、決定系數（R2）和預測偏差比（RPD）。R2的取值范圍為0—1，值越接近于1，相關程度越高，即預測值與實測值越接近。當RPD≤1.4時，說明模型無法對樣品進行預測；1.4

3 結果與討論

3.1 模型構建

結合2016年7月27日和2016年8月28日Landsat 8波段反射率與2016年8月1—4日和2016年9月1—8日實測BOD濃度構建偏最小二乘模型。利用SPSS軟件分別將FLAASH大氣校正后2016年7月27日像元光譜反射率值與2016年8月1—4日BOD實測值和2016年8月28日Landsat 8像元光譜反射率值和2016年9月1—8日BOD實測值進行相關性分析（表4）。

表4 Landsat 8單波段光譜反射率與BOD濃度相關性分析Table 4 Correlation of single spectral reflectance and BOD concentration

2016年7月27日Landsat 8影像單波段反射率與2016年8月1—4日BOD濃度之間為正相關關系，相關系數r在0.032—0.652之間，B5的相關系數r最高，為0.652，確定B5為敏感波段。2016年8月28日Landsat 8影像單波段反射率與2016年9月1—8日BOD濃度為正相關關系，相關系數r在0.342—0.733之間，B4的相關系數r最高，為0.733，因B1、B2、B3、B4、B5的相關系數均比較高，可確定為敏感波段。再結合兩組數據波段組合相關分析結果進行進一步篩選，將Landsat 8數據B1—B7這7個波段進行任意兩波段的和、差、比值以及比值組合 (ri+rj)/(ri?rj) 的方式（i≠j組合，式中：ri、rj表示不同波段的反射率）（杜成功等，2016），得到84種組合方式，將波段組合與BOD濃度進行相關性分析（表5）。2016年7月27日影像與2016年8月1—4日實測BOD濃度波段組合相關系數范圍為?0.692—0.707，B4、B5、B6和 B7波段組合的相關性較好；2016年8月28日影像與2016年9月1—8日實測 BOD濃度波段組合相關系數范圍為?0.721—0.760，與 B1、B2、B3、B4、B5相關的波段組合相關性較好。由于本次研究結合2016年7月27日和2016年8月28日Landsat 8波段反射率與2016年8月1—4日和2016年9月1—8日實測BOD濃度數據構建模型，因此選擇B1、B2、B3、B4、B5、B6和B7作為敏感波段構建模型。2016年7月27日影像小梅口有云層遮擋，2016年8月28日影像，竺山湖心有云層遮擋，為防止影像受云層和陸地的影響，剔除4個樣點，以建模和驗證3?1比例劃分28個采樣點數據為建模集，8個采樣點數據為驗證集。構建偏最小二乘回歸模型如下：

1.1 研究方案和對象 選擇2015年1月至2017年7月于本院產檢并自愿接受NIPT的孕婦雙胎妊娠442例，單胎妊娠15 206例。納入標準：①孕周12周以上；②孕婦體重100kg以下；③夫妻染色體未發現明顯異常者；④近一年內未接受過異體輸血，細胞治療，免疫治療及無移植手術者。雙胎妊娠孕婦年齡為16～48歲，孕周12～33周。單胎妊娠孕婦年齡為16～50歲，孕周12～38周。所有孕婦均充分告知了NIPT的臨床適應證和局限性，并簽署了知情同意書且本研究通過廣東省婦幼保健院倫理委員會的批準。

表5 Landsat 8 波段組合光譜反射率與BOD濃度相關性分析Table 5 Correlation of band combination spectral reflectance and BOD concentration

3.2 模型驗證

3.2.1 建模精度

偏最小二乘預測模型應用至建模集各波段像元光譜反射率，計算得到BOD的預測值，與建模集28個數據點進行比較。通過兩組數據計算預測均方根誤差（RMSEP）、決定系數（R2）和預測偏差比（RPD），如圖2a所示。決定系數R2為0.61，預測均方根誤差為0.69 mg·L?1，預測偏差比為1.61，說明該模型具有較好的預測效果，適合進行BOD的預測。

3.2.2 驗證精度

偏最小二乘預測模型應用至驗證集8個數據，計算得到 BOD的預測值，與驗證集進行比較。通過兩組數據計算預測均方根誤差（RMSEP）、相關系數（r），如圖2b所示。驗證集中預測值和實測值之間的相關系數 r達到 0.85，預測均方根誤差RMSEP為0.74 mg·L?1，說明該模型具有很好的預測效果，適合進行BOD的預測。

圖2 BOD實測值和遙感反演值相關關系Fig. 2 Correlativity of predicted value and the measured values of BOD concentration

3.3 BOD空間分布特征分析

3.3.1 BOD空間插值結果

利用反距離權重法分別對2016年8月1—4日和2016年9月1—8日實測BOD濃度值進行空間插值（圖3a、4a），2016年8月1—4日實測BOD質量濃度范圍為 0.9—4.8 mg·L?1；2016 年 9 月 1—8日實測 BOD 質量濃度范圍為 1.0—4.8 mg·L?1。BOD濃度均比較低，屬于Ⅱ類和Ⅲ類水體，太湖水質狀況良好。2016年8月和9月的插值結果趨勢相似，BOD濃度由南部向北部逐漸升高，高值位于梅梁湖心、竺山湖心等北部和西部地區，低值位于太湖中南部地區。

3.3.2 太湖BOD遙感反演結果

圖3 2016年8月太湖BOD實測值插值圖（a）、2016年7月太湖BOD影像反演圖（b）Fig. 3 Interpolation of measured BOD concentration of Taihu Lake in August 2016 (a) and inversion of BOD concentration of Taihu Lake in July 2016 (b)

對比2016年7月27日遙感反演圖（圖3b）與2016年8月1—4日實測BOD濃度插值圖（圖3a），對比2016年8月28日遙感反演圖（圖4b）與2016年9月1—8日實測BOD濃度插值圖（圖4a），BOD濃度變化趨勢相似，均表現為由中南部低值區向西北部的高值區增加的趨勢，西北部地區 BOD插值結果和遙感反演結果均較高。BOD插值結果和遙感反演結果差異較大部位在太湖東南部區域，圖3a和圖4a顯示太湖東南部地區BOD質量濃度較低，為1.0—2.0 mg·L?1；圖3b和圖4b中太湖東部BOD質量濃度較高，為4.0—10.0 mg·L?1，說明該區域水質狀況較嚴重，是由于在該區域大面積圍網養蟹，增加了水體氮磷等營養鹽和有機污染物質（曾慶飛等，2011）。由于太湖范圍僅布設了20個樣點，空間插值結果只能反映 BOD濃度值大體變化趨勢，無法反映無樣點處的變化細節，而太湖東部地區由于無樣點導致插值結果 BOD值較低；遙感反演則基于反演模型獲得逐像元（30 m）BOD空間分布，可以精確反演整個太湖區域每個30 m像元范圍BOD值，因此具有更強的細節差異區分能力。

圖4 2016年9月太湖BOD實測值插值圖（a）、2016年8月太湖BOD影像反演圖（b）Fig. 4 Interpolation of measured BOD concentration of Taihu Lake in September 2016 (a) and inversion of BOD concentration of Taihu Lake in August 2016 (b)

3.3.3 太湖BOD影響因素分析

對比太湖地區的 BOD實測值插值結果與遙感反演結果，遙感反演 BOD空間分布結果與實際相符，表明反演模型的精度較高。遙感反演圖的西北和東南區域 BOD濃度較高。西北部是常州市武進區，該區是江蘇省的農業大區，農藥殘留問題對武進區甚至整個太湖流域的水質狀況造成不利影響，因此西北部水體 BOD濃度較高。西部區域包括太湖上游的武進、宜興和溧陽三地區，該區域畜禽養殖規模較大（張長飛等，2015），排放廢水中含有大量的有機污染物（徐偉樸等，2004），影響水體有機物含量。太湖東南區域大面積圍網養蟹，受養殖殘餌的影響，加上藻類生物量較大，增加了水體氮磷等營養鹽，因此東太湖有機污染較為突出（曾慶飛等，2011）。水中微生物分解有機物質導致溶解氧含量降低，BOD濃度增加，影響東太湖水質狀況。太湖東北部五里湖心部分屬于無錫市，無錫市人口密集且工業發達，生活污水和工業廢水中有機污染物質的排放導致水體 BOD濃度的增加。太湖邊緣帶 BOD濃度高，主要受到人類生產生活的影響（Xu et al.，2020）。太湖東部胥湖心區域水質狀況較差，該區域屬于蘇州市范圍，同樣受到人類生產生活的影響，水體污染較嚴重。沿岸地區的生產生活產生污水排放至太湖，增加近岸太湖水體的有機污染程度，間接影響水質指標的變化。

3.3.4 太湖水體等級劃分

根據生化需氧量地表水環境質量標準對 BOD濃度反演結果進行水體的等級劃分（圖 5），當ρ(BOD)≤3 mg·L?1，屬于Ⅰ類和Ⅱ類水體（圖中綠色區域）；當 3 mg·L?1<ρ(BOD)≤4 mg·L?1，屬于Ⅲ類水體（圖像中黃色區域）；當 4 mg·L?1<ρ(BOD)≤6 mg·L?1，屬于Ⅳ類水體（圖像中呈玫紅色區域）；當 6 mg·L?1<ρ(BOD)≤10 mg·L?1，屬于Ⅴ類水體（圖像中紅色區域）。太湖大部分區域水質狀況較好，屬于Ⅱ類和Ⅲ類水體，符合飲用水標準，可用于飲水供應。太湖西部、西北部和東南區域，屬于Ⅳ類和Ⅴ類水體，有機污染較嚴重。因此在太湖治理的過程中，應針對性地對環太湖邊緣區域進行治理。

圖5 基于Landsat8影像太湖水質分級圖（2016年7月27日 (a) 和2016年8月28日 (b)）Fig. 5 Map of water quality classification of Taihu Lake based on Landsat 8 remote sensing images in July, 27, 2016 (a) and August, 28, 2016 (b)

3.4 模型推廣應用

運用偏最小二乘法對2016年7月和8月太湖BOD進行反演研究的預測效果較好，證實了運用偏最小二乘模型反演太湖BOD的可行性。為了進一步驗證本方法的有效性并研究太湖BOD的時空變化，將本研究中方法推廣至太湖其他時段 BOD的反演研究，建立相應預測模型，反演BOD空間分布。

由于遙感影像受云層的影響，結合實測 BOD數據的獲取時間，選擇2016年4月22日和2017年3月8日兩景Landsat 8影像與同期2016年5月4—6日和2017年3月2—8日的實測BOD濃度構建模型（表6）。因2016年4月22日影像獲取時間與2016年4月實際采樣時間1—4日相差時間約20 d，與2016年5月實際采樣時間4—6日相差10 d左右，這10多天的天氣變化小，無暴雨等天氣且氣溫相近，因此選擇2016年4月22日Landsat 8影像數據與2016年5月4—6日實測BOD濃度數據構建模型。為消除影像云層和陸地的影像，2016年4月和2017年3月均選擇17個采樣點構建偏最小二乘回歸模型。將模型運用至同一遙感影像，可得到基于像元的BOD遙感反演圖，再基于太湖采樣點提取BOD反演結果，與實測BOD濃度計算R2、RMSEP、RPD等參數。2017年3月模型決定系數為 0.69，預測均方根誤差為 0.71 mg·L?1，預測偏差比為 1.70；2016年 4月模型決定系數為0.60，預測均方根誤差為0.62 mg·L?1，預測偏差比為1.45。分析可知2017年3月的影像數據和實測數據獲取時間接近，構建模型的誤差較小，而2016年4月影像數據與實際采樣數據時間相差較大，因此存在一定誤差。這說明影像獲取時間與實際采樣時間越接近則效果越好，誤差越小。

表6 多個時間生化需氧量預測模型Table 6 Multi-time prediction model of biochemical oxygen demand

將模型運用至同一遙感影像，可得到基于像元的BOD遙感反演圖（圖6）。大部分水體BOD質量濃度為0.0—4.0 mg·L?1，水體屬Ⅱ類和Ⅲ類可飲用水體。將遙感反演結果與同期實測 BOD插值圖（圖7）進行對比，顯示大部分水體BOD的水質狀況較一致，南部水質狀況好，中部水質狀況中等，北部水質狀況差。反演結果顯示水體的 BOD濃度分布變化細節更加清晰，不同水質差異明顯。遙感反演和插值結果差異較大部位均為太湖東南部區域，與2016年7月和8月偏最小二乘模型預測效果相似，太湖東部未設置采樣點，因此無法反映東部養殖造成的BOD局部異常。對比2016年4月、7月、8月和2017年3月BOD反演結果，7月和8月 BOD濃度值較年初期高，說明年中期太湖有機污染較初期嚴重。

圖6 基于多時間Landsat 8 影像BOD遙感反演圖Fig. 6 Inversion of the BOD concentration based on the multi-time Landsat 8 remote sensing images

圖7 基于多時間實測BOD濃度插值圖Fig. 7 Interpolation based on the multi-time measured BOD concentration

4 討論

太湖水體BOD的反演研究顯示，運用Landsat 8/OLI衛星進行水體生化需氧量的反演研究是可行的。將構建的偏最小二乘回歸模型運用至2016年7月27日和2016年8月28日Landsat 8遙感影像，得到7月和8月BOD反演結果，顯示太湖南部水質狀況較好，太湖北部污染比較嚴重，這與其他研究成果相吻合，盛翼等（2019）研究發現太湖總體上東、南部水質好于西、北部，西部水域竺山湖心一帶為太湖污染最嚴重的水域，東部、南部、湖心區水域維持較好水質。再結合太湖2016年4月22日和2017年3月8日影像偏最小二乘模型反演結果，可分析太湖有機污染時空分布狀況，依據有機污染分布可針對性進行太湖水質狀況評價和水體治理。多個時間 BOD反演結果顯示，太湖水體主要是Ⅱ類和Ⅲ類水體，與柳后起等（2020）以化學需氧量為評價指標，得到太湖水體為Ⅲ類地表水相似。查慧銘等（2018）通過高錳酸鹽指數和 BOD5的研究發現的夏季有機污染較嚴重，進一步導致水華爆發，與本研究中多個時間 BOD濃度反演結果一致，年中期太湖有機污染情況較初期嚴重。

研究過程還存在實際采樣時間與影像獲取時間不同以及采樣點數據少的問題。針對采樣時間與影像獲取時間不一致的問題，盡量選擇與采樣時間最接近的影像。本研究中選擇的2016年7月27日影像與采樣日期（2016年8月1—4日）相差4—7 d，2016年8月28日影像與采樣日期（2016年9月1—8日）樣品相差3—10 d，時間較為接近，最大程度減少時間差異造成的影響。針對 20個采樣點偏少的問題，本研究將兩景相同季節的影像結合，組成40個采樣點，進而劃分建模集和驗證集，取得了較好的預測效果。同時，本模型對于兩個時間的影像均適用，實用性更強。

為更進一步驗證偏最小二乘方法適用性，將該方法應用至2016年4月和2017年3月兩景影像，取得較好的驗證效果，BOD反演結果和實測值的插值結果變化趨勢相同，充分證實了偏最小二乘模型的適用性。為構建更高精度模型以及更好地進行模型驗證，后續可將Sentinel-2等影像與Landsat 8結合以提高遙感數據獲取頻率，可以通過獲取更多時間的水質參數以及遙感影像進行更充分的驗證，為太湖有機污染狀況快速監測、調查和環境治理提供依據。

5 結論

（1）本研究以2016年7月27日和2016年8月28日Landsat 8波段反射率與2016年8月1—4日和2016年9月1—8日40個樣點實測BOD濃度為研究對象，構建偏最小二乘回歸模型，模型決定系數為0.61，預測均方根誤差為0.69 mg·L?1，預測偏差比為 1.61。將模型運用至驗證數據，實測值和預測值的相關系數 r達到 0.85，預測均方根誤差為0.74 mg·L?1，預測模型效果好，說明應用Landsat 8/OLI數據對太湖BOD濃度監測具有可行性。

（2）將偏最小二乘回歸模型運用至 2016年 7月27日和2016年8月28日Landsat 8影像得到BOD遙感反演圖，其BOD空間分布特征與2016年8月1—4日和2016年9月1—8日樣點BOD空間插值結果吻合較好。遙感反演結果能更清楚地表征太湖BOD的分布情況，BOD濃度從太湖南部向北部逐漸增加，中南部區域 BOD濃度低，西北部、邊緣地區以及東南部東太湖地區BOD濃度較高。

（3）進一步驗證偏最小二乘方法的有效性并研究太湖 BOD的時空變化情況，將該方法推廣至太湖其他時段BOD的反演研究（2016年4月和2017年3月），建立相應預測模型，反演BOD空間分布，反演效果較好。對比2016年4、7、8月和2017年3月BOD反演結果，7月和8月BOD濃度值較年初期高，說明年中期太湖有機污染較初期嚴重，以此為依據可為太湖有機污染的評價和治理提供依據。