机载高光谱相机在河湖水质状况快速检测方向的应用

1 引言

      我国河流、湖泊众多，伴随经济的高速发展，人类活动的增强，河流、湖泊水质污染问题日益严重，已经成为制约城市可持续发展的关键因素，因此有必要利用****手段展开河流、湖泊水质污染问题研究，及时、快速的提供河流、湖泊的水质状况，保障人们正常的生产生活。

      遥感技术的发展与进步为河流、湖泊水体的监测和研究开辟了新的途径。目前，国内外学者利用特定的遥感平台，构建了针对特定水域的不同水质参数的模型，并取得了一定的成果。在卫星平台上，Thiemann等用IRS-1C数据对德国梅克伦堡州湖泊群的水体叶绿素ａ进行了反演，并结合卡尔森模型(TSI)评价了该地区水体富营养化程度；柳晶辉等利用HJ-1卫星多光谱数据监测湖北武汉东湖蓝藻爆发情况，研究表明利用HJ-1遥感数据可快速鉴别蓝藻范围及其程度，大气校正突出了蓝藻水体和其他地物光谱差异，EVI方法精度较高，可剔去水质中泥沙等悬浮物的干扰，可作为城市湖泊蓝藻变化检测经验模型。在机载平台上，Flink等收集了瑞典两个湖泊的 CASI 数据，利用主成分分析法找出与叶绿素 a 浓度的相关*好的波段，对其进行分析并绘制了叶绿素浓度图。Hakvoort等运用机载成像高光谱数据对CDOM、Chl-a、TSS等水质参数进行监测；Olmanson等利用机载高光谱影像数据分析了明尼苏达河和密西西比河交汇处、密西西比河和圣克罗伊河交汇处、明尼苏达河和密西西比河交汇处附近的浊度叶绿素a分布图。在地面平台上，段洪涛等利用地物光谱仪ASD对长春市南湖水质参数进行了研究分析，分别构建了叶绿素a、总磷等水质参数的单波段监测模型；吴廷宽等利用地物光谱仪对贵州市百花湖富营养进行评价，得出水质参数Chl-a、TP、TN、SD、CODMn的敏感波段分别为699nm、823nm、399 nm 、563nm、504nm，利用水质参数敏感波段对湖泊水质参数进行估测的效果较为理想。这些研究表明，将卫星、机载、近地面遥感技术应用于水质监测，其方法已经较为成熟，也可取得较好的成果。然而受卫星遥感影像空间分辨率、时间分辨率等限制，卫星遥感技术目前多应用于大面积水域的水质监测；另外机载遥感技术受航空管制等因素的影响，不能及时的检测水质污染状况，因此对于小微水域中水质参数的空间分布情况，需要采用新的方法予以解决。

       近年来随着无人机发展的日渐成熟，无人机搭载高光谱相机的应用领域不断拓展，例如，万余庆等利用无人机高光谱对新疆生产建设兵团共青团团场的土壤氮磷钾进行了监测研究，研究结果为团场的大范围施肥提供决策依据；Du等利用无人机高光谱获取沈阳农业大学水稻田的高光谱影像，进而分析水稻的叶片氮含量，所构建的模型精度为R2 = 0.85，研究结果为无人机高光谱遥感反演水稻氮水平提供了理论依据；Sankey等利用无人机高光谱和雷达技术进行森林的树高树冠覆盖度研究；Ishida等利用无人机高光谱技术对植物区域的不同地物进行分类研究，总体分类精度为94.5%。然而目前针对无人机高光谱技术对水体（如湖泊、河流等）的水质研究甚少。

      基于此，本文以云南玉溪市星云湖和深圳市茅洲河为研究对像，通过无人机搭载高光谱传感器获取其高光谱图像反射率数据，构建总氮(TN)、总磷(TP)、叶绿素 (CHL-a)、悬浮物 (TSS)、和浊度(TUB)的监测模型并研究其浓度空间分布，以期为不同水体的水质监测提供新的技术手段。

2 材料与方法

2.1 研究区域概况

      星云湖位于中国云南省玉溪市江川县县城以北2公里，距县城约一公里。地理位置为东经 102°45′ ，至102°48′，北纬24°17′至 24°23′，南与杞麓湖相邻，北与抚仙湖相通，属珠江流域南盘江水系的源头湖泊，为滇中高原陷落性浅水湖，是抚仙湖上游的唯壹湖泊。星云湖湖湾多，湾弧多，鱼草繁茂，岸边柳树芦草成行，周围多农田，湖底平缓多泥，有机物质淤积较厚，湖内水草繁茂，浮游生物和底栖生物也较丰富，属高原断陷湖泊，是一座富营养化湖泊，为云南九大高原湖泊之一，近年来星云湖被列为劣V类水质。

       全长31公里的茅洲河是深圳**大河，也是它流经深圳、东莞两市，两岸上等支流27条，每一条都在经济腾飞进程中被严重污染，两岸工厂企业众多、水污染问题*为棘手，是深圳市污染河流中*具有代表性的一条。污染直接危害了流域内人民的正常生活和身体健康，不能满足人民对美好生活环境的要求对旅游事业也带来了一定影响。

2.2 采样点的分布

        本文以星云湖的进水口和茅洲河的第三支流作为研究区，在2018年7月18日和2019年7月26日分别对茅洲河的第三支流和星云湖的几个进水口进行了野外试验，在星云湖和茅洲河分别采集了5和15个采样点的水质参数。试验采样点分布如图1所示。

图1 星云湖（左）和茅洲河（右）的采样点分布图

2.3 无人机高光谱影像获取

       采用大疆无人机M600 Pro，在无人机平台上搭载由四川双利合谱科技有限公司自主研发的高光谱成像仪GaiaSky-mini 2获取星云湖和茅洲河的高光谱影像。无人机飞行高度为100米，采用的是2*4 binning方式获取高光谱影像（2是空间维的，8是光谱维）（Binning是一种图像读出模式，将相邻的像元中感应的电荷被加在一起，以一个像素的模式读出），高光谱影像的空间分辨率约为4cm。其中无人机高光谱影像的预处理主要包括镜像变换、黑白帧校正、场地校正等。

2.4 水质参数分析

       每个采样点取表层0.5m处的水样进行实验室分析，分析的参数包括总氮(TN)、总磷(TP)、悬浮物 (TSS)、浊度(TUB)、叶绿素 (CHL-a)。其中TN采用紫外可见分光光度计UV754N测定；TP、TUB和CHL-a采用可见分光光度计721型测定；TSS采用万分之一分析天平AL204测定。星云湖和茅洲河采样点的水质参数统计表如表1所示，主要包括每个水质参数的*小值、*大值、均值、方差和变异系数。

表1 湖泊、河流水质参数的统计参数

2.5 水质参数模型构建流程

      本研究以云南玉溪市星云湖和深圳市茅洲河为研究区，利用无人机高光谱技术构建水质参数如总氮、总磷、悬浮物、浊度、叶绿素a的监测模型，将*优的监测模型反演到无人机高光谱影像上制作总氮、总磷、悬浮物、浊度、叶绿素a的空间分布图。具体计算路线如图2所示。

图2 无人机高光谱水质监测模型的构建流程

2.6 模型评价标准

       本研究中星云湖和茅洲河分别有5和15个采样点，采样点按3:2的比例运用含量梯度法[21]选出建模集和检验集。水质参数监测模型运用决定系数R2、均方根误差（Root Mean Square Error，RMSE）、预测与偏差的比率（Ratio of Prediction to Deviation，RPD）进行精度评价，其中R2越大，RMSE和RPD越小，模型的准确性越高。当RPD> 2.0的值表示稳定且准确的预测模型，RPD值介于1.4和2.0之间，表明可以模型稳定性一般，预测能力不稳定，RPD <1.4时表明模型预测能力差。

3 结果与分析

3.1  采样点光谱分析

      图3为星云湖和茅洲河共20个采样点的光谱反射率曲线，其中星云湖的5个采样点简称湖+数字，茅洲河的15个采样点简称河+数字。从图可以看出水体的光谱特征变化：在400-590nm范围内，水体的光谱反射率呈上升趋势，在570-590nm附近形成一个反射峰，是由叶绿素和胡萝卜素吸收较弱以及水中藻类和悬浮物的散射作用形成的；在590-680nm范围内，水体的光谱反射率曲线呈下降趋势，在670-680nm范围内形成一个峰谷，这是由于叶绿素a的强吸收引起的；在690-710nm范围内形成的陡峰可作为水体有无叶绿素的重要依据，由于浮游植物色素的荧光效应，使得水和叶绿素 a的吸收系数之和在此波长处达到*小值；在790-810nm范围内形成的峰值是由于水中悬浮物的散射作用引起的。综合分析星云湖和茅洲河采样点的光谱曲线可知，不同区域、不同水质的光谱曲线变化趋势总体一致，是不同采样点由于所含的水质参数含量不同，其峰谷值及曲线高低变换缓慢不同。

图3 星云湖和茅洲河采样点的光谱反射率

    将星云湖和茅洲河采样点的水质参数（如总氮、总磷、悬浮物、浊度和叶绿素a）分别与其对应的光谱反射率值进行相关性分析，得到如图4所示的相关性曲线。从图4可知，在400-1000nm光谱范围内，浊度与各波段的反射率始终呈负相关关系，且相关系数并不高，相关系数优良值在0-0.2之间；总磷与各波段的反射率呈正负相关性，相关系数优良值*高的在660-690nm之间；总氮与各波段的反射率在400-530nm和540-695nm处呈负相关关系，在530-540和695-1000nm处呈正相关，相关系数在490nm和690nm附近有两个峰值；悬浮物和叶绿素a与各波段反射率相关性变化趋势一致，在400-690nm范围内呈正负相关性，在690-1000nm范围内呈正相关性，相关系数在490nm和690nm附近有两个峰值，在690-1000nm范围内保持较高的相关性。

图4 星云湖、茅洲河的水质参数与反射率的相关系数曲线

3.2 水质参数的监测模型

       根据前人的研究可知，利用单波段监测水质的精度不如双波段的监测精度高；利用复杂的化学计量学分析法，如偏*小二乘法、人工神经网络、支持向量机等，与双波段监测模型相比虽然从监测精度上有所提高，但运用的波段数多，且运行时间较长，在实际应用过程中不适合实时在线监测水质参数。然而利用双波段组合因子不仅可以突出水质参数的光谱特征，使得非特征波段和特征波段不重合的其他水质参数的交叉影响所造成的误差平均化和随机化。同时，相除因子和相差因子都是突出水质参数的光谱特征波段的有效运算方法。本文根据双波段组合，构建归一化指数、比值指数、差值指数，寻找*佳的双波段组合构建监测模型预测水质参数。

     将波长从400-1000nm的所有波段反射率构建归一化指数、比值指数、差值指数分别与各水质参数进行相关分析，得到水质参数与各波段比值的相关系数分布图。以水质参数总氮为例，图5为水质参数总氮与归一化指数、比值指数、差值指数任意两波段组合的相关系数分布图。

图5 总氮与双波段反射率指数相关系数分布图

图6 总氮模型的建立及检验

图7 总磷模型的建立及检验

图8 叶绿素a模型的建立及检验

图9 悬浮物模型的建立及检验

图10 浊度模型的建立及检验

图11 河湖水质参数的反演

4 结论与讨论

       目前，卫星遥感技术对水质参数的监测研究已基本成熟，但受卫星遥感影像空间分辨率、时间分辨率等因素的影响，卫星遥感无法针对小范围城市河流、湖泊的进出排水口进行实时监测。本研究利用无人机高光谱技术，根据已建立的指数模型，在水面上空获取水体的高光谱影像，通过在线反演可实时观察水环境的水质参数总氮、总磷、叶绿素a、悬浮物、浊度的变化，为城市河流的水质监测提供了全新的数据来源和技术手段，同时也为湖泊、河流的水环境保护及治理提供了依据。