黄柏河东支流域水体氮磷含量遥感反演研究

章 程 焱，董 晓 华，杨 少 康，赵 程 铭，薄 会 娟，张 庆 玉

(1.三峡大学 水利与环境学院，湖北 宜昌 443002； 2.三峡大学 三峡库区生态环境教育部工程研究中心，湖北 宜昌 443002)

0 引 言

黄柏河是长江一级支流，在葛洲坝上游2 km处汇入长江，为宜昌市提供生产、生活以及农业灌溉用水，是该市的重要水源地之一[1]。研究表明近年来由于磷矿的大量开采，黄柏河流域水质遭到严重破坏，水质富营养化严重[2-4]。黄柏河的水质恶化影响了宜昌市供水安全，所以实现水体水质参数的大范围实时获取十分重要。

常用的水质监测手段主要为人工采样分析和自动监测，但两种方法对人力和物力的消耗巨大并且无法获得在时间和空间上连续的数据，难以满足水质监测所要求的大范围以及实时性[5]。而遥感技术能够实现非接触式感知，可在短时间内实现大面积的信息获取，逐渐成为水质监测的重要手段[6]。针对遥感水质监测反演的方法主要为经验法(统计回归模型等)、半经验方法、半分析方法(生物光学模型)等[7]。岳程鹏等[8]基于Landsat8遥感影像建立了决定系数为0.816的二次多项式回归方程来反演乌梁素海浮游植物生物量。王丽艳等[9]基于MODIS数据建立了半经验模型和指数模型较好地反演了呼伦湖水体的总磷浓度以及富营养化状态评价。上述方法均是通过建立线性回归模型从而达到反演水质的目的，但传统的线性回归模型不能很好地反映水环境因强烈的非线性和不确定性所导致的变化规律[10]。

人工神经网络近年来在多源数据融合研究领域发展迅速，该方法具有较强的自学习性、自组织性和良好的适应性和容错性，其非线性映射能力能拟合任意复杂的非线性函数[11]。目前国内外专家学者通过建立神经网络模型对水质参数展开了研究。洗翠玲等[12]基于高分辨率多光谱影像比较了多元线性回归模型和人工神经网络模型对温瑞塘河总氮和总磷的反演效果，发现人工神经网络的反演效果好于多元线性回归模型。Song等[13]基于TM数据建立了BP神经网络模型和线性回归模型，通过比较两种模型对水质参数的反演效果发现BP神经网络模型的反演效果更准确。马丰魁等[14]基于Landsat8影像数据建立BP神经网络模型对密云水库非结冰期的主要水质参数进行了反演。

综上所述，利用人工神经网络结合遥感影像可以更好地对水质参数进行反演。因此，本文基于Landsat8-OLI影像数据，建立人工神经网络模型对黄柏河东支流域的氨氮和总磷含量进行反演并分析其时空变化特征，为黄柏河东支流域的水质监测提供新思路。

1 研究区域与数据

1.1 研究区概况

黄柏河位于长江中游北岸，为长江一级支流，流域面积约1 900 km2。河流分东西两条支流，东支为干流发源于黑良山，全长约130 km；西支为雾渡河发源于武郎寨，全长约78 km，东西两条支流于两河口汇合成干流，长约32 km，在葛洲坝上游2 km处注入长江。东支干流水资源较为丰富，建有东风灌渠和东山运河两大调(引)水工程。流域水资源利用情况较为复杂，受人类活动等影响程度较大[15]。

本文选取黄柏河东支流域作为研究区，流域地理位置如图1所示，东支流域依次建有4座梯级水库，为充分反映流域水质，实测水质监测数据采样点遵循覆盖全面、分布均匀、代表性强的原则进行选取。图1中红点显示了水库中采样点，依次是上游玄庙观水库，包括玄庙观库尾、黑沟河、玄庙观库首；天福庙水库，包括中游天福庙库尾、晒旗河入河口、神龙河入河口、干沟河入河口、天福庙库首；中下游西北口水库，包括西北口水库库尾、西北口水库库首；尚家河水库，包括下游尚家河水库库尾、牌渡河、水木溪、尚家河水库库首。水库基本信息如表 1所列。

图1 黄柏河东支流域概况以及采样点分布Fig.1 General situation of the east branch of Huangbai River and distribution map of sampling points

表1 黄柏河东支水库信息

1.2 数 据

研究选取的水质监测指标为NH3-N(氨氮)、TP(总磷)。NH3-N和TP的浓度是衡量水质质量的重要指标，它们的含量限制着大多数水生和陆地生态系统中营养物质的生长。所选水质参数指标的检测方法与依据均采用国家标准(GB)[16]和行业标准(SL或HJ)[17]。氨氮和总磷含量的划分标准分别为：氨氮Ⅰ～Ⅴ类浓度为0～0.15，0.15～0.5，0.5～1.0，1.0～1.5，1.5～2.0 mg/L；总磷Ⅰ～Ⅴ类浓度为0～0.02，0.02～0.1，0.1～0.2，0.2～0.3，0.3～0.4 mg/L。总磷采用723PC可见光分光光度计检测，氨氮采用S22分光光度计检测。

研究选用的遥感数据来自Landsat-8陆地成像仪(OLI)，影像数据通过地理空间数据云(http：∥www.gscloud.cn)获取，空间分辨率为30 m×30 m。选择天气晴朗、少云且与实测水质监测时间相近的遥感影像，经过筛选最后选取了2014～2016年共6期云量低于20%的遥感影像多光谱数据进行研究。

2 研究方法

2.1 遥感影像预处理和敏感波段提取

本研究首先对遥感影像依照黄柏河东支流域边界进行裁剪得到流域影像；再进行辐射定标和大气校正，使遥感影像表达真实的反射率后通过归一化水体指数NDWI提取水域边界；最后将水体影像的7个波段导出tif图像便于后期模型的运用。

由于水体的光谱特征受到水中各种物质对光辐射的吸收和散射性质影响，因此遥感影像在各波段的反射率与水体中水质参数浓度的变化存在一定的联系。本研究将记录的采样点通过ENVI-CLASSIC软件离散到空间中，与影像叠加，得到各波段在采样点的反射率值并整理。再使用SPSS软件对Landsat8-OLI的1～7波段的反射率和氨氮与总磷含量的实测值各84组数据进行皮尔逊相关性分析，在进行相关分析的基础上，以保留最大信息量为原则筛选敏感波段使神经网络的拟合效果最优，得到水质参数的敏感波段组合如表2所列，结果显示总磷的敏感波段为4～7波段，氨氮的敏感波段为1～3波段。

表2 水质参数敏感波段

2.2 BP神经网络模型构建

BP神经网络是现阶段应用比较广泛的神经网络模型之一[18-19]。BP神经网络学习分为多层前馈和反向误差修正两个阶段，正向前馈的过程如式(1)和式(2)所示，计算各层的输入、输出值，直至输出层的输出值。若输出值误差无法满足精度要求，则反向传播回网络结构中，如式(3)所示，调整神经元之间的连接权值使误差减小。

(1)

(2)

(3)

本研究采取3层前向传播的神经网络，隐含层与输出层神经元均采用S型函数“tansig”，训练函数采用默认函数“trainlm”，隐含层节点数通过试选法确定。本研究将氨氮和总磷实测值84组数据作为输入层，构建3层神经网络，包括输入层、隐含层、输出层，将数据的前2/3组数据用于训练，后1/3组数据用于检验。同时，为了加快BP神经网络的收敛速度，本研究对样本进行归一化处理，使得输入、输出值在0～1之间。在模型建立时确定初始学习速率为0.01，训练步数设定为1 000，误差性能目标值为0.000 1。经过反复调试得到最优神经网络结构：总磷为4-6-1，氨氮为3-4-1。模型的评价采用纳什效率系数(NSE)和均方误差(MSE)，具体计算公式如下

(4)

(5)

3 结果分析

3.1 BP神经网络模型精度检验

为了直观地表现模拟值和实测值之间的误差，将检验期的实测值和模拟值绘制成散点图如图2所示。从图2中可以看出：总磷含量的模拟值与实测值比较接近，模拟值与实测值之间的差距较小且模拟值的总体变化趋势与实测值的变化相同，模拟效果较好。氨氮含量的模拟值在峰值的模拟上较好，模拟值的变化趋势与实测值的变化趋势大致相同，但在其他区段的模拟值与实测值的差距较大。综上所述，本研究建立的总磷含量的BP神经网络反演模型质量优于氨氮含量的BP神经网络反演模型。

图2 BP神经网络结果验证Fig.2 BP neural network result verification

采用NSE和MSE对模拟值和实测值进行评价来进一步验证BP神经网络的模拟效果，结果如表3所列。从计算结果来看，总磷和氨氮的NSE接近于1，说明本研究建立的模型质量较好，其中总磷的NSE大于氨氮，说明总磷的反演模型质量优于氨氮的反演模型；从MSE来看，总磷和氨氮的值都接近于0，说明总磷和氨氮的模拟值和实测值都比较接近。综上所述，本研究针对总磷和氨氮含量所建立的模型模拟结果可信度较高。

表3 纳什效率系数、均方误差

3.2 总磷和氨氮含量的年际及季节变化分析

3.2.1年际变化

本研究基于构建的BP神经网络模型反演了2014～2016年黄柏河东支流域春冬季总磷和氨氮的含量，按时间取均值分析了2014～2016年黄柏河东支流域各库区3～4月和11～12月总磷和氨氮含量的变化，结果如图3所示。由图3可知：黄柏河东支流域各库区总磷含量呈下降趋势，但仍有波动，2014年3月至2015年12月总磷污染主要集中在西北口以及天福庙库区，2016年4月各库区总磷含量显著增加且主要集中于天福庙以及玄庙观库区，2016年4～11月除尚家河外各个库区的总磷含量明显下降；流域内氨氮含量呈上升趋势，2015年12月前西北口和尚家河库区的氨氮含量增加明显，分别由0.18 mg/L和0.12 mg/L上升至0.27 mg/L和0.22 mg/L。综上所述：4座水库的总磷含量呈波动下降趋势，各水库总磷含量在3～4月份较高且主要集中在玄庙观、天福庙以及西北口库区处；氨氮含量呈小幅度上升趋势，一般在11～12月份含量较高且主要集中于西北口和尚家河库区。因此黄柏河东支流域的水质风险依然存在，需要切实开展保护与监测工作。

图3 水质参数的时间变化(实线为总磷，虚线为氨氮)Fig.3 Time change of water quality parameters (the dotted line is total phosphorus，the solid line is ammonia nitrogen)

3.2.2季节变化

因黄柏河东支流域所在区域夏、秋季对应的卫星遥感时间处于雨季，遥感图像无法完全显示流域，因此针对春季(2014年3月、2015年4月、2016年4月)和冬季(2014年12月、2015年12月、2016年11月)展开研究，将结果按季节取平均值来研究黄柏河东支流域各库区水体总磷和氨氮含量的变化，结果如图4所示。分析可知：春季黄柏河东支流域各库区水体的总磷含量大于冬季水体中的总磷含量，天福庙库区的总磷含量在春季的含量最高，达到0.28 mg/L，属于Ⅳ类水质标准，玄庙观库区在春季的总磷含量也较高，达到0.15 mg/L，属于Ⅲ类水质标准；春季水体中氨氮含量总体较低，只有玄庙观库区达到0.22 mg/L，属于Ⅱ类水质标准，冬季水体中氨氮含量较高，总体处在0.15～0.25 mg/L之间，属于Ⅱ类水质标准。

图4 总磷和氨氮的季节变化Fig.4 Seasonal changes of total phosphorus and ammonia nitrogen

3.3 总磷和氨氮含量的空间变化分析

3.3.1总磷浓度的空间变化分析

图5显示为黄柏河东支流域总磷含量的空间差异性。分析图5可以发现：黄柏河东支流域的总磷含量在研究时间内总体为0.02～0.1 mg/L，属于Ⅱ类水质标准。2014年黄柏河东支流域总磷含量得到明显改善，2014年3月黄柏河东支流域水体总磷含量总体处于0.02～0.1 mg/L，属于Ⅱ类水质标准。其中天福庙段部分区域的总磷含量为0.1～0.2 mg/L，属于Ⅲ类水质标准，局部区域污染严重，总磷含量超过0.4 mg/L，达到劣Ⅴ类水质标准；其次为玄庙观段，玄庙观部分区域处于0.1～0.2 mg/L的范围内，属于Ⅲ类水质标准。2014年12月玄庙观和天福庙库区的总磷含量得到明显改善，大部分区域属于0～0.02 mg/L，但在西北口库首区域附近和尚家河库尾和中游总磷含量较高，达到Ⅲ类水质标准。2015年黄柏河东支流域水体总磷含量减少，总体处于0.02～0.1 mg/L，其中天福庙干沟河入口处和尚家河水木溪段总磷含量达到Ⅲ类水质标准。2016年4月天福庙干沟河入河口处污染严重，达到劣Ⅴ类水质标准，西北口库区局部区域达到Ⅲ类水质标准，2016年11月上述区域的水质参数明显下降，达到Ⅰ类水质标准，但在西北口库区中部和尚家河库区库首处的总磷含量上升至0.1～0.2 mg/L，属于Ⅲ类水质标准。总体来看，黄柏河东支流域各个水库的总磷含量呈改善趋势，总磷含量在春季明显大于冬季，且污染主要集中于玄庙观中上段(库尾至黑沟河段)、天福庙库首(神龙河至库首段)以及尚家河库首(库首至牌渡河段)。

图5 黄柏河东支流域总磷含量在不同季节的空间分布Fig.5 Spatial distribution of total phosphorus content in the east branch of Huangbai River in different seasons

3.3.2氨氮浓度的空间变化分析

图6显示为黄柏河东支流域氨氮含量的空间差异性。从图6可见，氨氮含量分布比较均匀，其中玄庙观和西北口库区的氨氮含量较高。2014年3月玄庙观库区黑沟河处和西北口库区中部的氨氮含量以0.15～0.5和0.5～1 mg/L为主，属于Ⅰ类和Ⅱ类水质标准，在同年12月上述区域的氨氮含量得到明显改善，远低于Ⅰ类水质标准阈值，但在西北口库区的近库尾处以及尚家河库区的库尾处氨氮含量达到Ⅱ类水质标准。2015年4月玄庙观中段和西北口库首段的氨氮含量升高，达到Ⅱ类水质标准，同年12月玄庙观中段的氨氮含量低于Ⅰ类水质标准阈值，但西北口库首段属于Ⅱ类水质标准范围的面积增大，并且尚家河库首至牌渡河的氨氮含量上升至0.15～0.5 mg/L。2016年4月黄柏河东支流域各库区氨氮含量均小于Ⅰ类水质标准阈值，但在2016年11月西北口库区和尚家河部分区域氨氮含量明显上升，其中西北口库首处达到Ⅱ类水质标准，尚家河牌渡河至库尾处部分区域氨氮含量较高，属于Ⅱ类水质标准。从整体分布来看，玄庙观以及天福庙的氨氮含量呈改善趋势，而西北口与尚家河水库的氨氮含量逐渐上升，且在冬季这两座水库的氨氮含量明显大于春季，并且主要集中在西北口近库首处以及尚家河库区中段。

图6 黄柏河东支流域氨氮含量在不同季节的空间分布Fig.6 Spatial distribution of ammonia nitrogen content in the east branch of Huangbai River in different seasons

4 讨 论

目前已有众多学者对国内湖库水质参数进行了相关反演研究。王云霞等[20]以清河水库为研究区域，利用Landsat8卫星OLI数据及实地观测数据，建立了适用于清河水库总磷浓度的最小二乘支持向量机(LS-SVM)遥感反演模型，其模型的平均相对误差为6.06%。刘轩等[21]以丹江口水库为研究对象，基于哨兵2号卫星(Sentinel-2)遥感影像数据不同波段组合的反射率，结合总氮与氨氮的实测数据建立BP神经网络模型，其模型精度较高，R2分别为0.863和0.877。李敬等[22]利用阿哈湖国家湿地公园水库的实测水质数据，基于遥感技术和数理统计基本理论，结合Sentinel-2卫星的遥感数据，建立阿哈水库的总磷回归反演模型，其精度较为理想，均方根误差和平均绝对百分比误差分别为0.108 mg/L和28.80%。吴欢欢等[23]以天津市海河下游段为研究对象，基于Landsat8-OLI遥感影像数据与实测总磷、氨氮、总氮浓度及电导率数据建立BP神经网络模型，其模型结果精度较好，R2均大于0.85，MAE分别为0.019，0.09，0.242，0.411，RMSE分别为0.024，0.118，0.286，0.562。本研究构建的模型精度较好，针对总磷和氨氮浓度的纳什系数和均方差系数分别为0.977 4和0.006 4，0.714 5和0.004 5。与上述学者的研究结果相比，总磷浓度反演的模型精度高于其他研究中模型的精度，氨氮浓度反演的模型精度与其他研究中的模型精度较接近，具备较高的合理性和可信度，可以用作黄柏河东支流域主要库区总磷和氨氮浓度的反演。

本文的研究结果表明，黄柏河东支流域的总磷含量在2014～2016年之间总体呈波动下降趋势，氨氮含量总体呈上升趋势，因此需要加大对氨氮监测和治理力度。从氨氮含量和总磷含量的季节分布情况来看，冬季氨氮含量高于春季含量，这可能是因为冬季降雨量不足而导致氨氮含量上升。分析春季总磷含量高于冬季的情况，文献[24]认为由于黄柏河流域耕地面积较少，且大多是陡坡开垦地，当地农民在春季播种时会大量施用农药和化肥等有毒有害物质，所施用的农药化肥极易随着暴雨径流进入黄柏河水体。从空间分布的情况进行分析，总磷在流域内的污染主要体现在玄庙观与天福庙段的污染情况比较严重，这与两个库区周边存在大量磷矿开采点有关，这与文献[25]分析的结果相同。但与文献[25]得出的结论不同的是，本研究发现尚家河库区的总磷浓度相对较高，分析原因是尚家河库区周围存在水稻田，在种植培育的过程中需要施加磷肥。氨氮在玄庙观与西北口库区的污染情况严重，需要加大监测力度。总体来说，黄柏河东支流域在经过治理后的总磷和氨氮含量逐渐降低，总磷和氨氮在大部分地区达到了Ⅰ类和Ⅱ类水质标准，但在少数地区仍然存在超标现象。

5 结 论

本研究结合Landsat8-OLI遥感影像数据与地面实际监测数据建立的BP神经网络模型，比较成功地实现了黄柏河东支流域2014年3月和12月，2015年4月和12月，2016年4月和11月总磷和氨氮含量的反演，并针对两者在时间和空间上的变化进行了分析，得到结论如下：

(1) 针对总磷和氨氮的敏感波段，总磷为4～7波段，氨氮为1～3波段。建立的BP神经网络模型的模拟值与实测值比较接近，进一步对建立的模型进行验证，纳什系数和均方误差表明研究构建的对总磷和氨氮的反演模型模拟效果较好。

(2) 黄柏河东支流域的总磷含量虽然在2014～2016年间存在年际波动，但总体在下降；氨氮的含量总体在上升，需要注意加大对氨氮含量的监测和控制力度。

(3) 从季节变化分析，春季总磷含量大于冬季总磷含量，而春季氨氮含量小于冬季氨氮含量。

(4) 黄柏河东支流域的总磷和氨氮含量的空间差异性明显，总磷含量在春季尚家河、天福庙段与玄庙观库区会出现较高的情况，且污染主要集中于玄庙观中上段(库尾至黑沟河段)、天福庙库首(神龙河至库首段)以及尚家河库首(库首至牌渡河段)。氨氮含量在西北口与玄庙观库区较高。建议加大上述区域的监测治理力度，找出污染源，采取有针对性的治理措施。