基于遥感的水库水质监测方法研究

靳兴浩　王超　袁占良

摘 要：随着人民对水环境保护意识的提升以及对水安全的重视，水质监测技术得到快速发展，遥感技术凭借范围广、实时性强、效率高等优势，在水库水质监测方面得到广泛应用。本文介绍了遥感水质监测常用数据，探讨了水库水质遥感监测方法，包括经验方法、半经验方法、物理分析法等，并总结了水库水质遥感监测主要参数，包括叶绿素浓度、透明度、悬浮物、溶解性有机物等，最后对未来研究方向进行展望。

关键词：水库;水质监测;遥感监测

中图分类号：X87;X832文献标识码：A文章编号：1003-5168（2021）11-0043-04

Research on Reservoir Water Quality Monitoring

Method Based on Remote Sensing

JIN Xinghao1，2 WANG Chao2 YUAN Zhanliang1

（1. Henan Polytechnic University，Jiaozuo Henan 454150;2. Institute of Geography， Henan Academy of Sciences，Zhengzhou Henan 450052）

Abstract： With the improvement of people's awareness of water environment protection and the importance of water safety， water quality monitoring technology has been developed rapidly. With the advantages of wide range， strong real-time and high efficiency， remote sensing technology has been widely used in reservoir water quality monitoring. This paper introduced the common data of remote sensing water quality monitoring， discussed the remote sensing monitoring methods of reservoir water quality， including empirical method， semi empirical method， physical analysis method and so on， and summarized the main parameters of remote sensing monitoring of reservoir water quality， including chlorophyll concentration， transparency， suspended solids， dissolved organic matter， etc.， and finally prospected the future research direction.

Keywords： reservoir;water quality monitoring;remote sensing monitoring

水資源是人类赖以生存和社会发展必不可少的重要资源。随着经济社会的高速发展，水污染问题日益严重，水体富营养化已经成为人类需要解决的重要问题。全国85%的饮用水由湖泊与水库供给，但研究表明，我国有1/3承担供水作用的水库处于富营养化状态[1]。富营养化会破坏水体原本的生态结构，使其丧失原有的功能，对人们的生活造成负面影响。为了防治水体富营养化，改善水质，加强水质监测尤为重要。

传统的水质监测方法需要重复劳动，耗时长，测量成本高，实时性差，受地形、天气等因素影响，无法反映大面积水体水质空间变化。卫星遥感技术可以方便、快捷地提供各种时间和分辨率的遥感影像，能实现大面积、动态覆盖，高效、实时获取水体水质的分布特征，弥补了传统监测方法的缺陷，而且可以监测测量人员无法到达的区域。因此，卫星遥感技术在监测水体水质方面具有十分重要的作用，是监测水质情况的重要方法之一。

1 水质遥感常用数据

水质遥感常用数据可分为高（<10 m）、中（10～200 m）、低（>200 m）空间分辨率，可根据检测水域大小选择合适空间分辨率的数据[2]。常用的低空间分辨率包括MODIS数据、MERIS数据等;中等空间分辨率数据包括Landsat数据、Sentinel数据、SPOT数据等;高空间分辨率数据包括高分1号数据、高分2号数据、资源3号数据等。

低空间分辨率数据精度通常较低，但是回访周期短，监测范围广，数据获取简单，适合大面积水域监测。对于小面积水域，需要精度高的数据，但此类数据时间分辨率低，较长的回访周期使得对区域的连续监测受到限制，且数据获取成本较高，实际应用同样受到限制。中分辨率数据，如Landsat数据、Sentinel数据具有适中的分辨率，可满足一般监测要求，回访周期尚可，并且可以免费获取数据，这使得卫星数据在各个领域得到广泛应用，美国Landsat卫星数据是目前水质遥感应用最广泛的多光谱卫星遥感数据。

2 水库水质遥感监测方法

基于遥感的水库水质监测方法主要分为三类，即经验方法、半经验方法和物理分析法。此外，随着机器学习、深度学习等技术的发展，其在水质遥感监测领域也得到了较为广泛的应用。

2.1 经验方法

经验方法是指将遥感数据与现场实测水质参数数据进行统计分析，构建遥感数据与研究区域监测数据定量关系的方法，多用于Ⅰ类水体（大洋开阔水体）水质监测。常见的经验模型有单波段模型、波段比值模型等。

McCullough等基于Landsat7 ETM+影像数据和Landsat5影像数据的TM1、TM3建立了1990—2010年缅因州湖泊透明度反演模型，分析了透明度的时空变化[3]。佘红英等基于GF-1号卫星多光谱数据，建立了分年份的经验模型反演水质参数，验证了GF-1号卫星在水质遥感监测中的适宜性[4]。

经验方法存在算法成熟、数据获取简单等优势，应用十分广泛。但是，其也存在一些局限性，如通用性较低，模型的精度取决于现场实测的水质参数数据，若实测数据质量低，将导致反演结果偏差大，直接影响水质监测的结果，且缺乏一定的物理依据。

2.2 半经验方法

半经验方法与经验方法的不同在于半经验方法加入现场实地测定的水体光谱特征，再通过分析水面光谱曲线，确定最佳反演波段或波段组合，之后与统计分析相结合，构建水质参数反演模型，多应用于Ⅱ类水体（近岸水体和内陆水体）水质监测。常见的半经验模型有三波段法、四波段法等。

段洪涛等分析了透明度与高光谱反射率的相关关系，采用不同半经验算法建立反演模型，通过精度对比得到一阶微分模型大于单波段模型、大于波段比值模型的结论[5]。徐京萍等基于水体叶绿素a、悬浮物、溶解有机物、纯水的生物光学特性分析，建立了三波段叶绿素遥感反演模型[6]。

与经验方法相比，半经验方法由于加入了水体光谱实测与分析，达到增强或突出目标光谱信息的目的，具有一定的物理依据，模型精度以及普适性均有所提升，但数据获取与处理的过程相对复杂。

2.3 物理分析法

物理分析方法以辐射理论为基础，模拟光在大气中和水中的传播过程，根据水体具有光学属性物质的吸收能力和散射能力，与遥感技术获取的反射率数据之间的关系，构建反演模型，以达到反演水体中各个物质含量的目的。

张春桂等基于海洋水体固有光学特性和MODIS卫星数据建立了台湾海峡海水透明度的遥感反演模型，利用2005—2012年福建省近岸海域同步获取的海水透明度实测数据，对模型的反演精度进行验证[7]。吴仪等研究水体的辐射传输机理，分析水中葉绿素、悬浮泥沙、耗氧性有机物对入射光的吸收和散射作用，探讨遥感数据与水中物质浓度的定量关系，据此推导出叶绿素浓度遥感反演模型[8]。

物理方法具有较强的物理机理，普适性较好。但是，该方法依赖于水体的表现光学特性和固有光学特性。表现光学特性是水体会受到外界环境影响，随着光照等因素的改变，水体的一些属性随之发生改变，而固有光学特性则不受外界的影响。在具体工作过程中，物理分析方法很难全面获得所有有关数据，而且现实中的水体组成成分复杂，同一研究区域在不同时间表现的特性会发生改变，在实际应用上受到较大限制，导致反演结果不理想。

2.4 其他方法

除了上述三种主流方法外，越来越多的学者利用机器学习、人工智能等先进技术来监测水质。郑炎辉等利用国产GF-1WFV影像和神经网络建立了多光谱遥感影像透明度定量反演模型，可以进行大范围、连续空间的水库监测，探究了国产卫星遥感反演的可行性[9]。周正等提出一种光谱指数NDWS，将机器学习方法作为对照，与传统光谱指数进行对比，得到不同的水质参数反演模型，并且比较模型精度，实现水体全年水质监测[10]。但雨生等通过实测叶绿素a浓度与Sentinel-2卫星数据确定最佳波段组，利用BP神经网络方法对库区叶绿素a浓度进行反演[11]。

3 水库水质遥感监测主要参数

随着遥感技术与反演算法的不断发展和完善，丰富了水质监测的手段，可监测的水质参数类别逐渐增多，水库被监测的水质参数主要包括叶绿素a浓度、透明度、悬浮物、可溶性有机物等。

3.1 叶绿素浓度

水库水体中叶绿素a含量的高低能反映水体初级生产力情况（水生植物生物量），同时也是水体富营养化的重要指标之一。

Odermatt等利用神经网络模型结合MERIS数据成功构建模型，并以此分别估算营养水体和贫营养水体的叶绿素a浓度[12]。张丽华等以大伙房水库为研究对象，利用环境卫星数据并结合环境因子数据，采用相关分析和偏相关分析，研究环境因子和叶绿素a浓度的关联程度，并预测其浓度变化[13]。孙昊等对石佛寺水库的水体进行光谱测量，分析光谱特征，研究光谱数据与叶绿素a浓度的相关性，得出叶绿素a浓度与反射比R702/R674和595 nm波长处反射率的一阶微分值敏感性较强[14]。

3.2 透明度

水体透明度作为重要的水质参数之一，能够直接反映水体的营养状态、清澈程度，并且可以间接反演出影响透明度的其他水质参数含量。对水体透明度进行研究，分析水体透明度的变化规律，对掌握水体水质状态具有重要意义。

DUAN等基于TM数据，尝试将TM1到TM4波段值以及波段之间的不同组合值与水体透明度进行相关性分析，最终确定最优值来建立透明度反演模型，实现对查干湖和新庙湖的遥感监测[15]。马建行等基于HJ-CCD和MODIS数据，利用多元线性回归方法以及灰色关联度选取构建模型的波段组合分别建立了水体透明度反演模型，通过精度分析说明HJ-CCD和MODIS各自的优势[16]。禹定峰等基于GF-1号卫星遥感数据，发现红蓝波段比值与实测透明度具有较高的相关性，并以此为基础建立水体透明度的遥感反演模型[17]。

3.3 悬浮物

悬浮物是指分散在水体中的固体颗粒，主要来源是由于气候、地理等因素和人类日常活动影响造成水土流失、河流侵蚀带来的泥沙。悬浮物包括不溶于水的无机物、有机物、泥沙、黏土等。悬浮物浓度是最先应用遥感技术监测的水质参数。

殷子瑶等以于桥水库为研究区，利用与卫星同步的水面实测数据，使用经验回归的方法构建了悬浮物反演模型，说明库区悬浮物空间分布情况，并解释原因[18]。盖颖颖等利用机载海洋高光谱仪光谱数据，根据近岸Ⅱ类水体统计反演建模模式，建立了基于机载高光谱仪的总悬浮物的反演模型，以此获得悬浮物空间分布[19]。

3.4 溶解性有機物

溶解性有机物即黄色物质（CDOM），组成成分复杂，主要由腐烂物质所释放的单宁酸所引起。CDOM在蓝色到紫外的短波波段有强烈的吸收光谱，而纯水在红色的长波波段有吸收，因此，不含或少含CDOM的水显示出蓝色。CDOM会影响水体中浮游植物光合作用，影响生长。

李爱民等将目光聚焦到城市水污染，以郑州天德湖为研究对象，利用珠海一号高光谱数据和实测水样数据构建CDOM遥感反演模型，指出遥感反射率440 nm处相关系数最高[20]。郭旭阳等将Landsat8数据与实测CDOM数据做相关性分析，选取最佳波段组合，构建线性反演模型，取得了较好反演结果[21]。

3.5 其他水质参数

除了上述几种经常监测的水质参数外，也有学者研究水体的总氮（TN）、总磷（TP）、高锰酸盐指数、溶解氧等。

解启蒙等将Landsat8数据与实测高锰酸盐指数数据做相关分析，分别建立了线性回归模型与LS-SVM模型。结果表明：LS-SVM模型对反演精度有明显提升[22]。刘静等构建了基于敏感波段的TP、TN直接反演模型和以悬浮泥沙作为因子的TP、TN间接反演模型，并对比分析了两种模型的精度[23]。

4 结论与展望

近年来，随着人民环保意识的提升和对水环境、水安全的重视，水质监测技术发展迅速。基于遥感的水质监测技术丰富了监测手段，为水环境保护提供了新思路。该方法监测面积广、效率高、时效性强、成本低，有利于人民直观地认识水质状况以及辅助政府决策。目前，基于遥感的水质监测技术仍然具有较大的进步空间，针对现有不足之处，未来研究可从以下方面进行。

第一，遥感数据方面。针对不同状况的区域，单一的遥感数据并不能实现良好的监测效果，应融合多源的遥感数据实现不同尺度下的水质监测。随着各种卫星技术发展，可用于水质监测的数据日渐丰富，但满足回访周期短、空间分辨率高、成本低的数据依然稀缺，仍需要不断完善。

第二，模型适用性方面。内陆水体组成成分复杂，即使是同一水体，在不同季节，其光谱特征也可能发生变化，反演模型的适用性受到挑战，往往需要进行验证，增加成本，并且影响模型的精度，急需开发适用性强、精度高的反演算法。

第三，监测对象方面。水质遥感监测的对象大部分为大型湖泊和大型水库，而对中、小型水库研究较少。对于水质监测参数，叶绿素a浓度、悬浮物研究占大多数，模型算法相对成熟，针对影响水质的其余参数，同样需要建立精度高、通用性强的模型，实现动态监测。

参考文献：

[1]岳强，黄成，史元康，等.粤北2座饮用水源地水库的富营养化与浮游植物群落动态[J].生态环境学报，2012（3）：503-508.

[2]周岩，董金玮.陆表水体遥感监测研究进展[J].地球信息科学学报，2019（11）：1768-1778.

[3]MCCULLOUGH I M，LOFTIN C S，SADER S A . Combining lake and watershed characteristics with Landsat TM data for remote estimation of regional lake clarity[J]. Remote Sensing of Environment，2012（none）：109-115.

[4]佘红英，李家国，陈云嵩，等.基于GF-1号卫星的龙江水库水环境遥感监测适宜性[J].四川环境，2017（增刊1）：87-94.

[5]段洪涛，张柏，宋开山，等.长春南湖水体透明度高光谱定量模型研究[J].中国科学院研究生院学报，2006（5）：633-639.

[6]徐京萍，张柏，宋开山，等.基于半分析模型的新庙泡叶绿素a浓度反演研究[J].红外与毫米波学报，2008（3）：197-201.

[7]张春桂，曾银东.台湾海峡海水透明度遥感监测及时空变化分析[J].气象与环境学报，2015（2）：73-81.

[8]吴仪，邓孺孺，秦雁，等.新丰江水库叶绿素浓度时空分布特征的遥感反演研究[J].遥感技术与应用，2017（5）：825-834.

[9]郑炎辉，张园波，何艳虎.基于GF-1 WFV影像与神经网络模型的水库水质多参数反演研究[J].人民珠江，2020（7）：57-62，84.

[10]周正，桂圣熙，李玉翠，等.基于组合光谱指数的巢湖典型水质参数反演研究[J].人民长江，2020（9）：45-50，182.

[11]但雨生，周忠发，李韶慧，等.基于Sentinel-2的平寨水库叶绿素a浓度反演[J].环境工程，2020（3）：180-185，127.

[12] ODERMATT D ， GIARDINO C ， HEEGE T . Chlorophyll retrieval with MERIS Case-2-Regional in perialpine lakes[J]. Remote Sensing of Environment， 2010（3）：607-617.

[13]张丽华，林茂森，田英，等.环境因子对大伙房水库叶绿素α的影响研究[J].环境科学与技术，2020（4）：230-236.

[14]孙昊，周林飞.石佛寺水库叶绿素a浓度高光谱遥感反演[J].节水灌溉，2019（3）：67-70.

[15] DUAN H，MA R，ZHANG Y，et al. Remote-sensing assessment of regional inland lake water clarity in northeast China[J]. Limnology，2009（2）：135-141.

[16]马建行，宋开山，邵田田，等.基于HJ-CCD和MODIS的吉林省中西部湖泊透明度反演对比[J].湖泊科学，2016（3）：661-668.

[17]禹定峰，邢前国，周斌，等.基于环境一号卫星的四十里湾透明度遥感反演[J].海洋环境科学，2014（4）：580-584.

[18]殷子瑶，李俊生，范海生，等.珠海一号高光谱卫星的于桥水库水质参数反演初步研究[J].光谱学与光谱分析，2021（2）：494-498.

[19]盖颖颖，王章军，杨雷，等.金沙滩近岸水体叶绿素a和悬浮物遥感反演研究[J].国土资源遥感，2020（3）：129-135.

[20]李爱民，夏光平，齐鑫，等.珠海一号高光谱遥感的郑州天德湖水质CDOM反演方法[J].测绘科学技术学报，2020（4）：388-391，397.

[21]郭旭阳，王沛芳，吴春山，等.基于Landsat8遥感影像的山仔水库CDOM空间分布反演研究[J].海峡科学，2019（2）：3-5，21.

[22]解启蒙，林茂森，杨国范，等.清河水库水体高锰酸盐指数遥感反演模型研究[J].中国农村水利水电，2017（10）：57-61.

[23]刘静，况润元，李建新，等.基于实测数据的鄱阳湖总氮、总磷遥感反演模型研究[J].西南农业学报，2020（9）：2088-2094.