機載高光譜相機在河湖水質狀況快速檢測方向的應用

1 引言

      我國河流、湖泊眾多，伴隨經濟的高速發展，人類活動的增強，河流、湖泊水質污染問題日益嚴重，已經成為制約城市可持續發展的關鍵因素，因此有必要利用****手段展開河流、湖泊水質污染問題研究，及時、快速的提供河流、湖泊的水質狀況，保障人們正常的生產生活。

      遙感技術的發展與進步為河流、湖泊水體的監測和研究開辟了新的途徑。目前，國內外學者利用特定的遙感平臺，構建了針對特定水域的不同水質參數的模型，并取得了一定的成果。在衛星平臺上，Thiemann等用IRS-1C數據對德國梅克倫堡州湖泊群的水體葉綠素ａ進行了反演，并結合卡爾森模型(TSI)評價了該地區水體富營養化程度；柳晶輝等利用HJ-1衛星多光譜數據監測湖北武漢東湖藍藻爆發情況，研究表明利用HJ-1遙感數據可快速鑒別藍藻范圍及其程度，大氣校正突出了藍藻水體和其他地物光譜差異，EVI方法精度較高，可剔去水質中泥沙等懸浮物的干擾，可作為城市湖泊藍藻變化檢測經驗模型。在機載平臺上，Flink等收集了瑞典兩個湖泊的 CASI 數據，利用主成分分析法找出與葉綠素 a 濃度的相關*好的波段，對其進行分析并繪制了葉綠素濃度圖。Hakvoort等運用機載成像高光譜數據對CDOM、Chl-a、TSS等水質參數進行監測；Olmanson等利用機載高光譜影像數據分析了明尼蘇達河和密西西比河交匯處、密西西比河和圣克羅伊河交匯處、明尼蘇達河和密西西比河交匯處附近的濁度葉綠素a分布圖。在地面平臺上，段洪濤等利用地物光譜儀ASD對長春市南湖水質參數進行了研究分析，分別構建了葉綠素a、總磷等水質參數的單波段監測模型；吳廷寬等利用地物光譜儀對貴州市百花湖富營養進行評價，得出水質參數Chl-a、TP、TN、SD、CODMn的敏感波段分別為699nm、823nm、399 nm 、563nm、504nm，利用水質參數敏感波段對湖泊水質參數進行估測的效果較為理想。這些研究表明，將衛星、機載、近地面遙感技術應用于水質監測，其方法已經較為成熟，也可取得較好的成果。然而受衛星遙感影像空間分辨率、時間分辨率等限制，衛星遙感技術目前多應用于大面積水域的水質監測；另外機載遙感技術受航空管制等因素的影響，不能及時的檢測水質污染狀況，因此對于小微水域中水質參數的空間分布情況，需要采用新的方法予以解決。

       近年來隨著無人機發展的日漸成熟，無人機搭載高光譜相機的應用領域不斷拓展，例如，萬余慶等利用無人機高光譜對新疆生產建設兵團共青團團場的土壤氮磷鉀進行了監測研究，研究結果為團場的大范圍施肥提供決策依據；Du等利用無人機高光譜獲取沈陽農業大學水稻田的高光譜影像，進而分析水稻的葉片氮含量，所構建的模型精度為R2 = 0.85，研究結果為無人機高光譜遙感反演水稻氮水平提供了理論依據；Sankey等利用無人機高光譜和雷達技術進行森林的樹高樹冠覆蓋度研究；Ishida等利用無人機高光譜技術對植物區域的不同地物進行分類研究，總體分類精度為94.5%。然而目前針對無人機高光譜技術對水體（如湖泊、河流等）的水質研究甚少。

      基于此，本文以云南玉溪市星云湖和深圳市茅洲河為研究對像，通過無人機搭載高光譜傳感器獲取其高光譜圖像反射率數據，構建總氮(TN)、總磷(TP)、葉綠素 (CHL-a)、懸浮物 (TSS)、和濁度(TUB)的監測模型并研究其濃度空間分布，以期為不同水體的水質監測提供新的技術手段。

2 材料與方法

2.1 研究區域概況

      星云湖位于中國云南省玉溪市江川縣縣城以北2公里，距縣城約一公里。地理位置為東經 102°45′ ，至102°48′，北緯24°17′至 24°23′，南與杞麓湖相鄰，北與撫仙湖相通，屬珠江流域南盤江水系的源頭湖泊，為滇中高原陷落性淺水湖，是撫仙湖上游的唯壹湖泊。星云湖湖灣多，灣弧多，魚草繁茂，岸邊柳樹蘆草成行，周圍多農田，湖底平緩多泥，有機物質淤積較厚，湖內水草繁茂，浮游生物和底棲生物也較豐富，屬高原斷陷湖泊，是一座富營養化湖泊，為云南九大高原湖泊之一，近年來星云湖被列為劣V類水質。

       全長31公里的茅洲河是深圳**大河，也是它流經深圳、東莞兩市，兩岸上等支流27條，每一條都在經濟騰飛進程中被嚴重污染，兩岸工廠企業眾多、水污染問題*為棘手，是深圳市污染河流中*具有代表性的一條。污染直接危害了流域內人民的正常生活和身體健康，不能滿足人民對美好生活環境的要求對旅游事業也帶來了一定影響。

2.2 采樣點的分布

        本文以星云湖的進水口和茅洲河的第三支流作為研究區，在2018年7月18日和2019年7月26日分別對茅洲河的第三支流和星云湖的幾個進水口進行了野外試驗，在星云湖和茅洲河分別采集了5和15個采樣點的水質參數。試驗采樣點分布如圖1所示。

圖1 星云湖（左）和茅洲河（右）的采樣點分布圖

2.3 無人機高光譜影像獲取

       采用大疆無人機M600 Pro，在無人機平臺上搭載由四川雙利合譜科技有限公司自主研發的高光譜成像儀GaiaSky-mini 2獲取星云湖和茅洲河的高光譜影像。無人機飛行高度為100米，采用的是2*4 binning方式獲取高光譜影像（2是空間維的，8是光譜維）（Binning是一種圖像讀出模式，將相鄰的像元中感應的電荷被加在一起，以一個像素的模式讀出），高光譜影像的空間分辨率約為4cm。其中無人機高光譜影像的預處理主要包括鏡像變換、黑白幀校正、場地校正等。

2.4 水質參數分析

       每個采樣點取表層0.5m處的水樣進行實驗室分析，分析的參數包括總氮(TN)、總磷(TP)、懸浮物 (TSS)、濁度(TUB)、葉綠素 (CHL-a)。其中TN采用紫外可見分光光度計UV754N測定；TP、TUB和CHL-a采用可見分光光度計721型測定；TSS采用萬分之一分析天平AL204測定。星云湖和茅洲河采樣點的水質參數統計表如表1所示，主要包括每個水質參數的*小值、*大值、均值、方差和變異系數。

表1 湖泊、河流水質參數的統計參數

2.5 水質參數模型構建流程

      本研究以云南玉溪市星云湖和深圳市茅洲河為研究區，利用無人機高光譜技術構建水質參數如總氮、總磷、懸浮物、濁度、葉綠素a的監測模型，將*優的監測模型反演到無人機高光譜影像上制作總氮、總磷、懸浮物、濁度、葉綠素a的空間分布圖。具體計算路線如圖2所示。

圖2 無人機高光譜水質監測模型的構建流程

2.6 模型評價標準

       本研究中星云湖和茅洲河分別有5和15個采樣點，采樣點按3:2的比例運用含量梯度法[21]選出建模集和檢驗集。水質參數監測模型運用決定系數R2、均方根誤差（Root Mean Square Error，RMSE）、預測與偏差的比率（Ratio of Prediction to Deviation，RPD）進行精度評價，其中R2越大，RMSE和RPD越小，模型的準確性越高。當RPD> 2.0的值表示穩定且準確的預測模型，RPD值介于1.4和2.0之間，表明可以模型穩定性一般，預測能力不穩定，RPD <1.4時表明模型預測能力差。

3 結果與分析

3.1  采樣點光譜分析

      圖3為星云湖和茅洲河共20個采樣點的光譜反射率曲線，其中星云湖的5個采樣點簡稱湖+數字，茅洲河的15個采樣點簡稱河+數字。從圖可以看出水體的光譜特征變化：在400-590nm范圍內，水體的光譜反射率呈上升趨勢，在570-590nm附近形成一個反射峰，是由葉綠素和胡蘿卜素吸收較弱以及水中藻類和懸浮物的散射作用形成的；在590-680nm范圍內，水體的光譜反射率曲線呈下降趨勢，在670-680nm范圍內形成一個峰谷，這是由于葉綠素a的強吸收引起的；在690-710nm范圍內形成的陡峰可作為水體有無葉綠素的重要依據，由于浮游植物色素的熒光效應，使得水和葉綠素 a的吸收系數之和在此波長處達到*小值；在790-810nm范圍內形成的峰值是由于水中懸浮物的散射作用引起的。綜合分析星云湖和茅洲河采樣點的光譜曲線可知，不同區域、不同水質的光譜曲線變化趨勢總體一致，是不同采樣點由于所含的水質參數含量不同，其峰谷值及曲線高低變換緩慢不同。

圖3 星云湖和茅洲河采樣點的光譜反射率

    將星云湖和茅洲河采樣點的水質參數（如總氮、總磷、懸浮物、濁度和葉綠素a）分別與其對應的光譜反射率值進行相關性分析，得到如圖4所示的相關性曲線。從圖4可知，在400-1000nm光譜范圍內，濁度與各波段的反射率始終呈負相關關系，且相關系數并不高，相關系數優良值在0-0.2之間；總磷與各波段的反射率呈正負相關性，相關系數優良值*高的在660-690nm之間；總氮與各波段的反射率在400-530nm和540-695nm處呈負相關關系，在530-540和695-1000nm處呈正相關，相關系數在490nm和690nm附近有兩個峰值；懸浮物和葉綠素a與各波段反射率相關性變化趨勢一致，在400-690nm范圍內呈正負相關性，在690-1000nm范圍內呈正相關性，相關系數在490nm和690nm附近有兩個峰值，在690-1000nm范圍內保持較高的相關性。

圖4 星云湖、茅洲河的水質參數與反射率的相關系數曲線

3.2 水質參數的監測模型

       根據前人的研究可知，利用單波段監測水質的精度不如雙波段的監測精度高；利用復雜的化學計量學分析法，如偏*小二乘法、人工神經網絡、支持向量機等，與雙波段監測模型相比雖然從監測精度上有所提高，但運用的波段數多，且運行時間較長，在實際應用過程中不適合實時在線監測水質參數。然而利用雙波段組合因子不僅可以突出水質參數的光譜特征，使得非特征波段和特征波段不重合的其他水質參數的交叉影響所造成的誤差平均化和隨機化。同時，相除因子和相差因子都是突出水質參數的光譜特征波段的有效運算方法。本文根據雙波段組合，構建歸一化指數、比值指數、差值指數，尋找*佳的雙波段組合構建監測模型預測水質參數。

     將波長從400-1000nm的所有波段反射率構建歸一化指數、比值指數、差值指數分別與各水質參數進行相關分析，得到水質參數與各波段比值的相關系數分布圖。以水質參數總氮為例，圖5為水質參數總氮與歸一化指數、比值指數、差值指數任意兩波段組合的相關系數分布圖。

圖5 總氮與雙波段反射率指數相關系數分布圖

圖6 總氮模型的建立及檢驗

圖7 總磷模型的建立及檢驗

圖8 葉綠素a模型的建立及檢驗

圖9 懸浮物模型的建立及檢驗

圖10 濁度模型的建立及檢驗

圖11 河湖水質參數的反演

4 結論與討論

       目前，衛星遙感技術對水質參數的監測研究已基本成熟，但受衛星遙感影像空間分辨率、時間分辨率等因素的影響，衛星遙感無法針對小范圍城市河流、湖泊的進出排水口進行實時監測。本研究利用無人機高光譜技術，根據已建立的指數模型，在水面上空獲取水體的高光譜影像，通過在線反演可實時觀察水環境的水質參數總氮、總磷、葉綠素a、懸浮物、濁度的變化，為城市河流的水質監測提供了全新的數據來源和技術手段，同時也為湖泊、河流的水環境保護及治理提供了依據。