基于高分一號的丹江口水庫水體濁度反演及其時(shí)空變化

關(guān)鍵詞：GF－1；濁度；GRNN 模型；丹江口水庫中圖分類號：X87 文獻(xiàn)標(biāo)志碼：A doi：10．3969 ／ j．issn．1000－1379．2025．06．015引用格式：張克，李春意，丁來中，等．基于高分一號的丹江口水庫水體濁度反演及其時(shí)空變化［J］．人民黃河，2025，47（6）：96－102，109．

Water Turbidity Inversion and Spatial?Temporal Variation of Danjiangkou Reservoir Based on GF?1 Satellite

ZHANG Ke1，2， LI Chunyi2，3， DING Laizhong4， GAO Yantao4， Li Yuying5，6

（1．School of Surveying and Environmental Engineering， Henan Polytechnic Institute， Nanyang 473000， China； 2．School of Surveying andMapping and Land Information Engineering， Henan Polytechnic University， Jiaozuo 454000， China； 3．Key Laboratory of Mine

Spatial?Temporal Information and Ecological Restoration， MNR， Jiaozuo 454003， China； 4．Mineral Resources Exploration Center of HenanGeological Bureau， Zhengzhou 450000， China； 5．College of Water Resources and Modern Agriculture， Nanyang Normal University，Nanyang ， China； 6．International Joint Laboratory of Ecological Safety of Watershed in the Source Area of the Middle Route ofSouth?to?North Water Transfer， Nanyang ， China）

Abstract： The Danjiangkou Reservoir serves as the water source for the South?to?North Water Diversion Project and is designated as a nation? al?level water source protection area． The water quality of the reservoir is critical to the water safety of downstream regions and the urban and rural populations along the South?to?North Water Diversion Project． Utilizing 49 GF?1 satellite remote sensing images of the Danjiangkou Res? ervoir from 2020 to 2024 as data sources， and incorporating turbidity data obtained from national control monitoring stations， this study sys? tematically compared and analyzed the inversion accuracy of turbidity by using linear regression， multiple linear regression， XGBoost， random forest and Generalized Regression Neural Network （GRNN） models． The results demonstrate that the GRNN model exhibits a signifi? cant advantage in turbidity inversion． The GRNN model is subsequently applied to rebuild the turbidity distribution in the Danjiangkou Reser? voir over different time periods． The findings indicate that： the turbidity in the study area is generally low， predominantly below 15 NTU， and its distribution follows a Gaussian distribution with a mean （ μ ） of 3．13 NTU and a standard deviation （ σ_σ， of ±1.12 NTU． Temporally， tur? bidity values fluctuate， with peaks observed during the winter months． Spatially， localized increases in turbidity are evident in the southwest and northwest regions， influenced by anthropogenic activities and precipitation．

Key words： GF?1； turbidity； GRNN model； Danjiangkou Reservoir

0 引言

受工業(yè)化和城鎮(zhèn)化進(jìn)程加快以及農(nóng)業(yè)耕作活動(dòng)影響，我國淡水資源尤其是國家級飲用水水源地安全面臨潛在威脅和挑戰(zhàn)。 丹江口水庫作為我國最大的飲用水水源，其水質(zhì)狀況直接關(guān)系到水庫下游和南水北調(diào)沿線城鄉(xiāng)居民的用水安全［1－2］。 水質(zhì)監(jiān)測可有效追蹤水環(huán)境中污染物的來源和分布，掌握水體的受污染程度，進(jìn)而對水質(zhì)狀況開展定量評估、揭示水質(zhì)動(dòng)態(tài)演變機(jī)制、制定有效的水污染防治策略［3］

近年來，遙感技術(shù)在水質(zhì)監(jiān)測領(lǐng)域得到了廣泛應(yīng)用，高光譜、多光譜影像結(jié)合地面實(shí)測數(shù)據(jù)，能夠?qū)崿F(xiàn)大范圍水質(zhì)參數(shù)的快速反演，水質(zhì)指標(biāo)包括葉綠素 a、總氮、總磷、濁度等［4－7］。 隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法在水環(huán)境監(jiān)測領(lǐng)域的廣泛應(yīng)用，水質(zhì)參數(shù)反演的精度逐步提高［8］。 隨機(jī)森林（RF）、神經(jīng)網(wǎng)絡(luò)等模型的應(yīng)用，提高了復(fù)雜環(huán)境條件下水質(zhì)參數(shù)反演的準(zhǔn)確度［9－10］。 無人機(jī)遙感技術(shù)的引入，進(jìn)一步提高了水質(zhì)監(jiān)測數(shù)據(jù)的空間分辨率，更適合于中小型水域的水質(zhì)參數(shù)反演和動(dòng)態(tài)監(jiān)測［11－14］

盡管星地協(xié)同遙感監(jiān)測技術(shù)日臻完善，但由于水質(zhì)監(jiān)測的復(fù)雜性和多樣性，因此在水質(zhì)監(jiān)測方面仍然存在一些問題：一是傳統(tǒng)的地面水樣采集成本高，水質(zhì)監(jiān)測耗時(shí)費(fèi)力［6，12］；二是遙感影像獲取受天氣狀況、云層等影響，且依賴于衛(wèi)星的過境時(shí)間，致使地面水樣采集時(shí)間與遙感影像獲取時(shí)間難以完全匹配，可能影響水質(zhì)反演精度［6］。 基于上述問題，筆者以丹江口水庫為研究區(qū)，利用國產(chǎn)高分一號（GF－1）衛(wèi)星遙感影像，結(jié)合國控?cái)嗝嫠|(zhì)監(jiān)測數(shù)據(jù)（采樣頻率 一次），完成了丹江口水庫水體濁度的反演。 首先，對 GF－1 衛(wèi)星遙感影像數(shù)據(jù)進(jìn)行預(yù)處理，提取遙感衛(wèi)星影像表觀反射率數(shù)據(jù)，構(gòu)建多波段組合特征，并與水質(zhì)監(jiān)測數(shù)據(jù)相結(jié)合，構(gòu)建水體濁度監(jiān)測數(shù)據(jù)集；然后，根據(jù) Pearson相關(guān)系數(shù)和決策樹模型特征重要性，結(jié)合多種回歸模型，確定最優(yōu)的回歸模型；最后，利用最優(yōu)濁度回歸模型反演丹江口水庫 2020 年 5 月以來每季度典型月水體濁度，并開展水體濁度時(shí)空演變分析，以期為丹江口水庫的水質(zhì)分析提供理論和技術(shù)支撐。

1 研究區(qū)概況和數(shù)據(jù)處理

1．1 研究區(qū)概況

丹江口水庫位于漢江中上游，水域橫跨豫鄂兩省，是亞洲第一大人工湖，也是南水北調(diào)中線工程水源地、一級水源保護(hù)區(qū)、國家生態(tài)文明建設(shè)示范區(qū)。 該水庫多年平均入庫水量為 394．8 億 m³ ，水源來自于漢江及其支流丹江。 2012 年丹江口大壩加高后，丹江口水庫水域面積達(dá) 1 022.75km² ，庫容達(dá) 290．5 億 m³ ，被譽(yù)為“亞洲天池”。

1．2 數(shù)據(jù)來源

1．2．1 實(shí)測數(shù)據(jù)和降水量數(shù)據(jù)

目前，我國各省（區(qū)、市）已建成多個(gè)國控地表水水質(zhì)自動(dòng)監(jiān)測站［15］，本文收集了 2020 年 5 月至 2024年8 月丹江口水庫布設(shè)的6 個(gè)國控地表水水質(zhì)自動(dòng)監(jiān)測站數(shù)據(jù)，6 個(gè)監(jiān)測站分別為壩上中、宋崗、陶岔、五龍泉、史家灣、張營，監(jiān)測站分布見圖 1。 自動(dòng)監(jiān)測站發(fā)布的水質(zhì)參數(shù)包括濁度、水溫、 pH 值等，本文以水質(zhì)的重要衡量指標(biāo)濁度為研究對象，尋找最優(yōu)的回歸模型進(jìn)行水體濁度反演。 由于水體濁度與當(dāng)?shù)亟邓筷P(guān)系密切，因此還收集了相應(yīng)時(shí)段的降水量數(shù)據(jù)，研究濁度的異常變化與降水量之間的內(nèi)在聯(lián)系。 研究區(qū)降水量數(shù)據(jù)來源于中國氣象局。

圖 1 地表水監(jiān)測站分布

Fig．1 Distribution of Surface Water Monitoring Stations

1．2．2 遙感影像數(shù)據(jù)

GF－1 衛(wèi)星搭載的 WFV 傳感器具有高空間分辨率（ 16m ）和寬幅（ 800m ）成像能力，重訪周期 4 d，藍(lán)光、綠光、紅光、近紅光波長分別為 0.59、0.63～0.69、0.77～0.89μm ，可以有效監(jiān)測多種地表地物狀況，是資源調(diào)查和生態(tài)環(huán)境保護(hù)等領(lǐng)域的重要數(shù)據(jù)來源。 本文使用的 GF－1 衛(wèi)星遙感影像數(shù)據(jù)來源于中國資源衛(wèi)星應(yīng)用中心。 為將地表水監(jiān)測站監(jiān)測數(shù)據(jù)與遙感影像數(shù)據(jù)充分結(jié)合，獲取更多測試樣本，通過反復(fù)篩選、甄別，優(yōu)選了研究區(qū) 2020 年 5 月至 2024年8 月期間無云或少云的49 景 GF－1 衛(wèi)星 WFV 影像數(shù)據(jù)，其中 2020 年 5—12 月 8 景，2021 年 1—12 月 18景，2022 年 1—12 月 7 景， 2023 年 1—12 月 10 景，2024 年 1—8 月 6 景。

1．3 數(shù)據(jù)預(yù)處理

為獲取遙感衛(wèi)星影像表觀反射率信息，需要進(jìn)行數(shù)據(jù)預(yù)處理，主要包括幾何糾正、輻射定標(biāo)、大氣校正等。 預(yù)處理過程中的重采樣采用最鄰近像元法，以保證水體反射率光譜信息損失最小；輻射定標(biāo)采用中國資源衛(wèi)星應(yīng)用中心公布的分年度衛(wèi)星定標(biāo)數(shù)據(jù)；大氣校正采用 FLAASH 大氣校正方法，光譜響應(yīng)函數(shù)使用中國資源衛(wèi)星應(yīng)用中心發(fā)布的 GF－1 衛(wèi)星 WFV 傳感器的光譜響應(yīng)函數(shù)。 水體提取方面，利用支持向量機(jī)（SVM）的監(jiān)督分類方法，對預(yù)處理后的遙感圖像進(jìn)行分類，提取研究區(qū)水域范圍。

利用無人機(jī)技術(shù)精確測定了各監(jiān)測站的取水口坐標(biāo)，并將坐標(biāo)系轉(zhuǎn)換為遙感影像的 WGS84 坐標(biāo)系，進(jìn)而獲取遙感影像中對應(yīng)位置像元的反射率，確保遙感影像數(shù)據(jù)與地表水水質(zhì)監(jiān)測數(shù)據(jù)在空間上具有一致性。

2 研究方法

2．1 特征分析與選擇

2．1．1 構(gòu)建特征波段

GF－1 衛(wèi)星 WFV 影像數(shù)據(jù)的光譜特征波段僅有 4個(gè)，通過波段運(yùn)算，可以增強(qiáng)或屏蔽某些特定信號，突出有用信號。 在 GF1－1 衛(wèi)星 WFV 影像數(shù)據(jù) 4 個(gè)波段基礎(chǔ)上，參考相關(guān)研究，采用雙波段、三波段和四波段組合的方式，構(gòu)建了117 個(gè)特征波段，累計(jì)形成 121 個(gè)特征波段，用于確定濁度反演最優(yōu)波段［16－19］。 構(gòu)建的特征波段見表1。

表 1 構(gòu)建的特征波段

Tab．1 Constructed Spectral Features

注： B_i?B_j?B_k?B_m 分別為第 波段的反射率，其中 分別取 1、2、3、4。

2．1．2 Pearson 相關(guān)性分析

Pearson 相關(guān)性分析用于衡量兩個(gè)變量之間的線性相關(guān)關(guān)系，計(jì)算公式：

式中： r 為變量 x 和 y 之間的 Pearson 相關(guān)系數(shù)， 分別為 x，y 的均值， n 為樣本數(shù)量。

Pearson 相關(guān)系數(shù)的取值范圍為［ －1，1］，數(shù)值的大小和符號表示相關(guān)性的強(qiáng)度和方向， r=1 表示完全正相關(guān)， r=-1 表示完全負(fù)相關(guān)， 0.7?∣r∣lt;1 表示強(qiáng)相關(guān)， 0.3?∣r∣lt;0.7 表示中等程度相關(guān)， 0?|r|lt;0.3 表示弱相關(guān)。

2．1．3 特征波段選擇

決策樹模型通過特征對模型性能的貢獻(xiàn)來評估特征的重要性。 在每棵決策樹中，使用某特征進(jìn)行分裂時(shí)，對模型性能的提升越大，該特征的重要性越高。 決策樹模型通過累計(jì)每個(gè)特征在所有決策樹中的貢獻(xiàn)來評估特征的重要性。 決策樹模型特征重要性的選擇策略也可以應(yīng)用到神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中，從而簡化模型結(jié)構(gòu)，減少訓(xùn)練時(shí)間，提高模型的解釋性和泛化能力［20］。

為篩選與濁度指標(biāo)最相關(guān)的特征波段，計(jì)算了121 個(gè)特征與濁度的相關(guān)系數(shù)，篩選 ∣r∣?0.3 的特征，并對其進(jìn)行編號（F1－F53）。 這些特征的 Pearson 相關(guān)系數(shù)絕對值為 0.300～0.608 ，其中最大相關(guān)系數(shù)為0．608，最小相關(guān)系數(shù)為－0．534，53 個(gè)特征均達(dá)到統(tǒng)計(jì)學(xué)顯著水平，其 Pearson 相關(guān)系數(shù)熱度圖見圖 2。 將上述篩選出的53 個(gè)特征輸入決策樹模型，進(jìn)行特征重要

性分析，篩選出貢獻(xiàn)度最高的 10 個(gè)特征，作為機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型的輸入特征。

2．2 回歸模型構(gòu)建

以濁度為因變量，以篩選的特征為自變量，建立濁度的線性、多元線性、隨機(jī)森林、XGBoost、廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN）等回歸模型，通過調(diào)整模型參數(shù)，選擇最優(yōu)的回歸模型。

線性回歸和多元線性回歸模型用于評估濁度與特征波段之間的線性關(guān)系。 線性回歸模型適用于單個(gè)自變量，而多元線性回歸模型適用于多個(gè)自變量。 通過擬合數(shù)據(jù)，線性回歸、多元線性回歸可以提供一個(gè)直觀的關(guān)系模型，但其假設(shè)因變量與自變量之間的關(guān)系為線性，無法捕捉復(fù)雜的非線性關(guān)系。

隨機(jī)森林回歸模型是一種集成學(xué)習(xí)方法，通過構(gòu)建多個(gè)決策樹并取其平均值來進(jìn)行回歸預(yù)測。 從特征和樣本中隨機(jī)選擇部分?jǐn)?shù)據(jù)來構(gòu)建決策樹，通過投票或平均得到預(yù)測結(jié)果。 隨機(jī)森林回歸模型可以很好地處理高維數(shù)據(jù)，具有較強(qiáng)的抗過擬合能力，并且可以評估每個(gè)特征的重要性，從而為特征選擇提供依據(jù)。

XGBoost 回歸模型采用基于梯度提升的集成方法，通過逐步構(gòu)建弱學(xué)習(xí)器來優(yōu)化損失函數(shù)，在每一步迭代中根據(jù)殘差來減小模型誤差，從而得到更強(qiáng)的預(yù)測能力。 XGBoost 回歸模型相較于隨機(jī)森林回歸模型在處理大規(guī)模數(shù)據(jù)時(shí)更加高效，并且具有更好的超參數(shù)調(diào)優(yōu)功能，適用于解決復(fù)雜的非線性回歸問題。

GRNN 模型作為一種典型的解決非線性問題的神經(jīng)網(wǎng)絡(luò)模型得到了廣泛應(yīng)用［21－22］，GRNN 模型的網(wǎng)絡(luò)結(jié)構(gòu)見圖3，共有4 層，分別為輸入層、模式層、求和層和輸出層。

圖 3 GRNN 網(wǎng)絡(luò)結(jié)構(gòu)

Fig．3 GRNN Network Structure

輸入層的神經(jīng)元數(shù)目等于輸入訓(xùn)練樣本的維數(shù)，該層將輸入信息傳遞給模式層，模式層對輸入的樣本數(shù)據(jù)進(jìn)行學(xué)習(xí)，神經(jīng)元數(shù)量等于訓(xùn)練樣本數(shù)量，傳遞函數(shù) p_i 為

式中： X 為輸入的訓(xùn)練樣本； X_i 為第 i 個(gè)神經(jīng)元訓(xùn)練樣本， i=1，2，…，n;σ 為平滑因子。

求和層使用兩種類型的神經(jīng)元分別對模式層的數(shù)據(jù)進(jìn)行算術(shù)求和及加權(quán)求和，模式層與各神經(jīng)元的連接權(quán)值為 1，其傳遞函數(shù) ；模式層第 i 個(gè)神經(jīng)元與求和層第 j 個(gè)分子求和，神經(jīng)元之間的連接權(quán)值為第 i 個(gè)輸出樣本的第 j 個(gè)元素 y_ij ，其傳遞函數(shù) ，其中 j=1，2，…，k， 。 輸出層計(jì)算結(jié)果并輸出，該層神經(jīng)元數(shù)量等于訓(xùn)練樣本的輸出維數(shù)，第 j 個(gè)神經(jīng)元輸出對應(yīng)估值Y的第j 個(gè)元素：Yj ＝ S j／S 。

2．3 評價(jià)指標(biāo)

模型檢驗(yàn)用于評估所建立的數(shù)學(xué)模型是否符合實(shí)際情況。 在剔除噪聲點(diǎn)后，共有208 個(gè)樣本，其中 80% 的樣本用于模型訓(xùn)練， 20% 的樣本用于模型評估。 模型評估指標(biāo)包括確定系數(shù) （R²） 、均方根誤差（ ）和平均絕對誤差（ S_?MAE ），其計(jì)算公式［13］ ：

式中： 為水質(zhì)參數(shù)反演值， y_i 為水質(zhì)參數(shù)實(shí)測值， 為水質(zhì)參數(shù)實(shí)測值的平均值， i 為樣本序號， n 為樣本數(shù)量。

3 結(jié)果分析

3．1 回歸模型比選

各類回歸模型的評估指標(biāo)見表 2。 不同模型的表現(xiàn)差異顯著，XGBoost 回歸雖然訓(xùn)練集 R² 最高，達(dá)到了 0．94，但測試集 R² 僅為 0．63，表明其存在過擬合問題。 線性回歸、隨機(jī)森林回歸模型的擬合效果不佳，尤其是線性回歸模型訓(xùn)練集和測試集 R² 均較小，說明其難以捕捉復(fù)雜的非線性關(guān)系。 多元線性回歸模型測試集 R² 為 0． 75， 但訓(xùn)練集 R² 僅為 0． 52， 效果較差。GRNN 回歸在訓(xùn)練樣本和測試樣本中均表現(xiàn)最佳，訓(xùn)練集、測試集 R² 均大于 0．80，均表現(xiàn)出較高的擬合精度，表明該方法能夠很好地?cái)M合數(shù)據(jù)，具有良好的泛化能力。

綜合來看，線性回歸和多元線性回歸模型無法充分捕捉濁度數(shù)據(jù)的復(fù)雜特征，回歸精度較低，誤差（ S_?MAE 和 S_RMSE ）較大，難以滿足遙感影像反演的精度需求。 機(jī)器學(xué)習(xí)模型（XGBoost、隨機(jī)森林）相較于傳統(tǒng)回歸模型，在捕捉特征間的非線性關(guān)系方面表現(xiàn)更優(yōu)，尤其是在訓(xùn)練集上獲得了較高的擬合精度。 然而，由于機(jī)器學(xué)習(xí)模型易受訓(xùn)練數(shù)據(jù)特性影響，部分模型（如XGBoost）在測試集上的表現(xiàn)不如預(yù)期，存在一定程度的過擬合問題。 GRNN 回歸模型在本研究中取得了最佳的回歸效果，其測試集 R2 為 0．84，且誤差（S 、S_RMSE ）顯著低于其他模型，表明其在復(fù)雜非線性特征提取方面具有顯著優(yōu)勢，尤其是在測試集上的穩(wěn)定表現(xiàn)，顯示了 GRNN 回歸模型較強(qiáng)的泛化能力。 綜上，GRNN 回歸模型相較于傳統(tǒng)線性回歸模型和機(jī)器學(xué)習(xí)模型，在遙感影像數(shù)據(jù)濁度回歸中表現(xiàn)出良好的擬合能力和穩(wěn)定性，適用于遙感影像數(shù)據(jù)濁度反演。 由圖4 可知，無論是訓(xùn)練集還是測試集，實(shí)測值與預(yù)測值的擬合曲線均接近 1：1 擬合線，說明GRNN 回歸模型適用于丹江口水庫濁度反演。

表 2 各類回歸模型的評估指標(biāo)

Tab．2 Evaluation Indicators of Various Regression Models

針對 GRNN 回歸模型在每一期遙感影像數(shù)據(jù)上的表現(xiàn)情況，進(jìn)一步分析各期遙感影像數(shù)據(jù)的 S_?MAE ，結(jié)果見圖5。 S_?MAE 為［0，1）、［1，2）、［2，3）、［3，4）、［4，5）的占比分別為 22.5%.40.8%.12.2%.22.5%.2.0%， 63.3% 的平均絕對誤差小于 2，僅有 1 期遙感影像數(shù)據(jù)的 S_?MAE 較高，落在［4，5）區(qū)間。 表明采用 GRNN 回歸模型對丹江口水庫濁度進(jìn)行反演的誤差總體較小，大多數(shù)

3．2 濁度反演結(jié)果

根據(jù)回歸模型比選結(jié)果，采用 GRNN 模型開展GF－1遙感影像濁度反演分析。 在 GF－1 遙感影像數(shù)據(jù)預(yù)處理的基礎(chǔ)上，構(gòu)建相應(yīng)特征波段組合，得出2020 年5 月至2024 年8 月每季度典型的濁度反演圖，見圖6。 研究區(qū)內(nèi)水體濁度整體較低，主要分布在 15 周期性波動(dòng)，東部區(qū)域在部分時(shí)段內(nèi)濁度有短暫上升。NTU 以下，其中西北區(qū)域濁度偏高，西南區(qū)域濁度呈

圖 6 各季度典型濁度反演結(jié)果

Fig．6 Inversion Results of Typical Turbidity in Each Quarter

3．3 濁度時(shí)空分布分析

研究時(shí)段季度濁度概率分布見圖 7，濁度均值變化曲線見圖 8。 由圖 7 可以看出，研究區(qū)水體濁度總體較低，濁度與其分布概率服從高斯分布，期望 μ 為3.13NTU ，標(biāo)準(zhǔn)差 σ 為 ±1.12 NTU，且濁度大多在 15NTU 以下。 由圖8 可以看出，濁度峰值（2021 年 2 月、2021 年 12 月、2023 年 1 月和 2023 年 11 月）集中在冬季，這與其他學(xué)者的研究結(jié)果一致［7，16］。 但在特定時(shí)期和區(qū)域內(nèi)出現(xiàn)了濁度局部升高的現(xiàn)象，主要發(fā)生在研究區(qū)西南和西北部，其可能原因：一是受人為活動(dòng)影響濁度升高，如上游居民生活用水、石料預(yù)制場廢水排放等，成因較為復(fù)雜；二是受降水影響導(dǎo)致濁度升高，如2024 年5 月和7 月濁度升高的前 ^48h 內(nèi)研究區(qū)均出現(xiàn)了不同程度的降水，降水量分別為 11.1，9.3mm ，在降水的作用下，區(qū)域地表徑流增加，裹挾著地表泥沙進(jìn)入水庫，致使水庫部分區(qū)域濁度升高。

圖 7 濁度概率分布

Fig．7 Turbidity Probability Distribution

圖 8 濁度均值變化曲線

Fig．8 Turbidity Mean Change Curve

4 結(jié)論

針對丹江口水庫濁度的遙感影像反演問題，基于國控?cái)嗝鏉岫刃畔ⅲ酶叻诌b感影像反射率信息，構(gòu)建多種特征波段組合，計(jì)算特征波段與濁度的相關(guān)性，獲取與濁度相關(guān)系數(shù)較大的特征波段，通過對比多種回歸模型，選擇最優(yōu)回歸模型開展?jié)岫确囱荨?主要結(jié)論如下：國控?cái)嗝嫠|(zhì)監(jiān)測數(shù)據(jù)結(jié)合 GF－1 遙感影像，可以有效反演水體濁度及其分布情況；GRNN 模型在濁度反演中具有顯著優(yōu)勢，與其他4 種回歸模型相比，GRNN 模型回歸能力顯著優(yōu)于傳統(tǒng)線性回歸模型與機(jī)器學(xué)習(xí)模型，在訓(xùn)練集與測試集上均表現(xiàn)出良好的擬合和泛化能力；研究區(qū)水體濁度整體較低，集中在 15NTU 以下，濁度與其分布概率服從高斯分布，期望 μ 為 3.13NTU ，標(biāo)準(zhǔn)差 σ 為 ±1.12NTU ；濁度均值呈季節(jié)性波動(dòng)，峰值主要集中在冬季，研究區(qū)西南和西北部濁度存在局部升高現(xiàn)象。

參考文獻(xiàn)：

［1］ 劉軒，趙同謙，蔡太義，等．丹江口水庫總氮、氨氮遙感反演及時(shí)空變化研究［J］．農(nóng)業(yè)資源與環(huán)境學(xué)報(bào)，2021，38（5）：829－838．

［2］ 秦鈺莉，文力，魏鵬飛，等．丹江口水庫庫周景觀格局動(dòng)態(tài)變化分析［J］．人民黃河，2019，41（4）：69－73．

［3］ CHIDIAC S，NAJJAR E P，OUAINI N，et al．A ComprehensiveReview of Water Quality Indices（Wqis）：History，Models，At?tempts and Perspectives［J］．Reviews in Environmental Scienceand Bio／ Technology，2023，22（2）：349－395．

［4］ 封紅娥，李戰(zhàn)，黃波．基于 ZY－102D 影像的白洋淀水域葉綠素 a 濃度遙感反演［J］．科學(xué)技術(shù)與工程，2023，23（3）：1301－1307．

［5］ 柳忠偉，姜丙波，楊帥，等．基于 OLI 數(shù)據(jù)的石馬河水質(zhì)參數(shù)反演研究［J］．人民黃河，2024，46（增刊 1）：51－52，54．

［6］ 郭榮幸，王超梁，陳濟(jì)民，等．基于 Sentinel－2 多光譜遙感影像的小浪底水質(zhì)反演［ J］．人民黃河，2024，46（1）：93－96，102．

［7］ 李媛媛，沈芳，陳嵩鈺，等．基于 XGBoost 的內(nèi)陸河湖濁度反演與長時(shí)序分析［J］．環(huán)境工程學(xué)報(bào)，2024，18（2）：398－408．

［8］ PERERSON K T． Machine Learning，Data Fusion，and CloudComputing for the Evaluation of Inland Water Quality［D］．SaintLouis：Saint Louis University，2019：7－8．

［9］ 侯毅凱，張安兵，呂如蘭，等．基于多源數(shù)據(jù)的河道水質(zhì)遙感反演研究［J］．灌溉排水學(xué)報(bào)，2023，42（11）：121－130．

［10］ 馮翠杰，方晨琦，袁亙宇，等．基于無人機(jī)高光譜和 BP 神經(jīng)網(wǎng)絡(luò)的城市水體污染監(jiān)測［J］．環(huán)境工程學(xué)報(bào)，2023，17（12）：3996－4006．

［11］ YAN Y，WANG Y，YU C，et al．Multispectral Remote Sensingfor Estimating Water Quality Parameters： A ComparativeStudy of Inversion Methods Using Unmanned Aerial Vehicles（UAVs）［J］．Sustainability，2023，15（13）：10298．

［12］ 趙峰，譚琨，潘琛．基于機(jī)載高光譜遙感的長三角一體化示范區(qū)水質(zhì)監(jiān)測［J］．測繪通報(bào)，2024（10）：7－12．

［13］ 高敏，李瀟屹，王超，等．基于波段定制高像素?zé)o人機(jī)多光譜相機(jī)的陸渾水庫水質(zhì)參數(shù)反演研究［J］．遙感技術(shù)與應(yīng)用，2024，39（1）：160－169．

［14］ 喬智，姜群鷗，律可心，等．無人機(jī)高光譜遙感和集成深度置信神經(jīng)網(wǎng)絡(luò)算法用于密云水庫水質(zhì)參數(shù)反演［J］．光譜學(xué)與光譜分析，2024，44（7）：2066－2074．

［15］ 張振萍，龔長凌，李永蓉，等．國家地表水水質(zhì)自動(dòng)監(jiān)測站運(yùn)維管理體系標(biāo)準(zhǔn)化建設(shè)探討［J］．環(huán)境保護(hù)與循環(huán)經(jīng)濟(jì)，2022，42（11）：65－68．

［16］ 王勝蕾．基于水色指數(shù)的大范圍長時(shí)序湖庫水質(zhì)遙感監(jiān)測研究［D］．：中國科學(xué)院大學(xué)，2018：3－10

［17］ 王文輝，李艷，雷坤，等．遼河流域干流及部分支流總氮濃度遙感反演研究［J］．中國農(nóng)村水利水電，2022（7）：32－40．

［18］ ZHANG Y Y，JIN S G，WANG N，et al． Total Phosphorusand Nitrogen Dynamics and Influencing Factors in DongtingLake Using Landsat Data ［ J］． Remote Sensing， 2022， 14（22）：5648．

［19］ ZHAO J R，JIN S G，ZHANG Y Y．Dynamic Water QualityChanges in the Main Stream of the Yangtze River fromMulti?Source Remote Sensing Data ［ J］． Remote Sensing，2023，15（10）：2526．

［20］ 楚嘉瑋，董衛(wèi)宇，劉春玲．LATNN：基于自注意力機(jī)制的抽象語法樹表示方法［J］．信息工程大學(xué)學(xué)報(bào)，2023，24（5）：586－592．

［21］ 高菡，匡翠林，楚彬．廣義回歸神經(jīng)網(wǎng)絡(luò)修正 GNSS 垂向坐標(biāo)時(shí)間序列環(huán)境負(fù)荷效應(yīng)［J］．地球物理學(xué)報(bào)，2024，67（9）：3357－3366．

［22］ 盧建青，陳銀珠，劉玉珠，等．廣義回歸神經(jīng)網(wǎng)絡(luò)在空間數(shù)據(jù)聚 類 中 的 應(yīng) 用 ［ J］． 導(dǎo) 航 定 位 學(xué) 報(bào)，2020， 8 （ 2）：31－35．

【責(zé)任編輯 呂艷梅】