城市黑臭水体的无人机高光谱遥感识别

买日阿巴·吐尔逊，刘振宇*，赵文静，雷斌

（1中南民族大学 资源与环境学院，武汉 430074；2生态环境保护部 华南环境科学研究所，广州 510530）

城市黑臭水体是指城市建成区内，呈现令人不悦颜色或散发令人不适气味的水体［1］.近年来，伴随着城市扩张，由于基础设施建设滞后，导致生活污水和工业废水排入河流，许多城市河流或部分河段出现季节性甚至常年的黑臭现象.这不仅破坏城市生态环境，而且影响城市发展和居民的生活健康，因而对城市黑臭水体的监管具有重要意义.

研究常使用“黑水团”（black boom）或“湖泛”描述水体富营养化导致局部水体黑臭［2-4］.DUAN等［5］分析太湖“黑水团”的水质参数和固有光学量，指出黑水团中溶解有机物高于周边正常湖水，在溶解有机物和浮游生物共同作用下，黑水团具有较大吸收系数和较低后向散射系数，因而呈现黑绿色，基于“色度法”利用遥感影像中水体颜色可识别黑臭水体.张思敏等［6］发现黑水团区域的总颗粒物、非色素颗粒物、色素颗粒物吸收系数比蓝藻区域、清水区域的水体高出1～2倍，黑水团区水体的遥感反射率很低.纪纲等［7］验证了叶绿素a、总悬浮物和水体浊度等这3种水质参数可作为黑臭水体判别准则，通过分析遥感反射率，建立了波段组合模型识别黑臭水体.曹红业等［8］分析了一般水体、轻度黑臭和重度黑臭水体的表观光学特性、固有光学特性和水质参数特性，基于实测的光谱数据建立了决策树分类方法，并提出通过水体颜色饱和度进行黑臭水体识别.后续研究发现：相比非黑臭水体，黑臭水体在波长400～900 nm的遥感反射率值整体偏小，蓝绿波段（400～550 nm）和绿红波段（550～900 nm）的光谱斜率也较小［7］，这奠定了黑臭水体遥感识别的光谱基础.针对上述光谱特征，温爽等［9］分别发展了绿波段阈值、绿蓝波段差值和绿红波段归一化比值等方法，并指出绿红波段归一化比值的精度较高.姚月等［10］在绿红波段归一化比值的分母中加入蓝波段反射率，提出BOI（Black and Odorous Water Index）指数，还指出只进行瑞利散射校正得到的水体反射率，也能用于黑臭水体识别.李佳琦等［11］综合黑臭水体在蓝绿和绿红波段光谱斜率小，将二者斜率做比值从而发展了一种反应水体清洁度指数WCI（Water Cleanliness Index）.以上研究表明，光学遥感已被广泛用于黑臭水体识别.

由于城市河流宽度窄，黑臭水体识别需使用高分辨率遥感影像，上述研究主要使用GF-1&2卫星数据.然而卫星遥感在黑臭水体识别方面存在限制：即使不考虑时间分辨率，卫星过境时受天气影响，难以及时获取研究区域数据；传感器获取水体信号，约90%源于大气影响，不到10%是水体信息［12］.黑臭水体的反射率更低，因而水体信号低于10%，这种弱信号会影响黑臭水体识别精度.针对上述难题，本文首次提出基于无人机高光谱遥感的黑臭水体识别研究，无人机受天气影响小、距地面近获取水体信号强、且空间分辨率高，因此能有效克服上述星载数据的制约，更适合城市黑臭水体的快速监管.

1 数据与方法

1.1 数据采集

2019年3月26日，在深圳市宝安区茅洲河支流，开展地面与无人机现场同步观测实验，研究范围及采样点位置见图1，受限于现场观测条件只采集6个样点，编号为HS01至HS06，并利用无人机获取2个河段的高光谱数据.先观测HS01样点河段（河段1）数据，时间约10：00至13：00，HS05河段（河段2）观测时间约15：00至16：20；实验过程中天气多云且风速较小.

图1 采样站位示意图Fig.1 Schematic diagram of sampling station

地面观测实验，根据水面之上光谱测量法［13］，利用Maya2000观测6个采样点的遥感反射率Rrs.

式中：Lw表示水面之上离水辐亮度；Lsky表示天空光辐亮度；Lb和ρ分别是观测参考板辐亮度和反射率；r为天空光的比例因子（根据风速设置为2.2%～2.8%，平静水面可取r为2.2%；在约5 m·s-1风速下，r可取2.5%；在约10 m·s-1风速下，r取2.6%～2.8%［13］）.由于研究期间风速较小，r选取2.8%.光谱测量时，利用塞氏盘测量水体透明度，观测溶解氧，并采集保存水样，依据相关技术规程，化验水样的氨氮含量.同时，利用大疆M600pro携带推扫式高光谱传感器Gaiasky-mini2-VN Sensor（简称GS，表1），获取研究区域高光谱影像.传感器GS由四川双利合谱科技有限公司自主研发，光谱范围400～1000 nm，光谱分辨率3.5 nm，共176通道，数据量化等级14bit.GS目前被广泛应用于目标识别、水体检测和现代精细农业等生态环境领域研究［14］.

表1 主要仪器设备技术参数Tab.1 Main technical parameters of the instrument and equipment

无人机飞行高度117.13 m，传感器GS曝光时间3.795 s，共获取研究区域144张空间分辨率为0.05 m的高光谱影像.其中HS01和HS05地面采样时无人机同步获取的影像见图2（a）、（b），方框标出现场采样位置，采样时间分别是10：23和15：41.由于无人机获取数据速度快，而地面观测耗时相对较长，导致其他站点采样时间不同步（见表2）.图2（c）～（d）为无人机获取的该地区的非黑臭河段和池塘高光谱数据，其颜色偏绿，与黑灰色的黑臭河段存在较大差异.

图2 无人机获取采样站点影像Fig.2 Sampling site images acquired by UAV

1.2 黑臭水体判别方法

根据生态环境保护部2016年发布的《城市黑臭水体遥感筛查与地面验证技术规范》，根据人工感官和生化指标，将水体分为非黑臭、轻度黑臭和重度黑臭3种类型.人工判别主要依据水体颜色和气味，水动力条件和水生植被作为辅助特征.生化指标判别，主要涉及透明度、溶解氧、氧化还原电位和氨氮含量4个指标，判别准则见表2［1］.任意一个指标超限，判别为对应类型水体，若指标判别与人工判别结果不一致，两者权衡取其重.

表2 黑臭水体生化判别指标Tab.2 Biochemical discrimination indexes of black and odorous water

常用黑臭水体遥感识别算法见表3，其中R、G、B分别表示红、绿、蓝波段.WCI指数是针对GF-1数据建立，表中将其转换为通用形式.当算法计算结果低于阈值，水体被别判别为黑臭水体.目前研究主要区分黑臭和非黑臭水体，没有进一步识别黑臭和重度黑臭.经大气校正后，遥感影像的水体遥感反射率通常存在误差，因而不直接使用单波段值.相比之下，比值法和差值法反映光谱曲线变化趋势，尤其是比值法能在一定程度上消除地形和大气影响.因此后续研究不使用绿波段阈值，并将蓝绿波段差值调整为蓝绿波段归一化比值，见公式（2）.

表3 黑臭水体遥感识别算法Tab.3 Remote sensing recognition algorithm for black and odorous water

1.3 研究方法

总体流程见图3，首先预处理无人机数据得到水体遥感反射率，通过比对现场实测遥感反射率，评估高光谱传感器GS采集的水体光谱精度；根据黑臭水体在GS高光谱数据的反射特征，参考目前常用黑臭水体遥感识别算法，确定黑臭水体的敏感波段并建立识别模型；根据水体在高光谱数据的反射特征提取水体，利用上述模型识别黑臭水体，并开展分析验证.

图3 无人机高光谱黑臭识别技术流程Fig.3 Black and odorous recognition technology process supported by UAV hyperspectral

GS获取数据预处理主要包括镜头校正、辐射校正和影像镶嵌，本文重点关注辐射校正，它会影响水体遥感反射率的获取精度.辐射校正包括辐射定标和大气校正，辐射定标就把影像DN值转换为相对反射率，见公式（3）.

式中target、white、dark分别表示目标、参考白板、传感器暗电流噪声，参考白板反射率可在实验室内或现场测量获取，计算得到目标相对参考白板的相对反射率.飞行到一定高度后，GS获取的高光谱影像会受大气影响，故需进一步执行大气校正.在拍摄区域放置一块经国家计量院标定的2 m×2 m灰布，根据公式（4）将相对反射率转换为表面反射率.

式中Rtarget、Refstandard和Refgrayref分别是目标表面反射率、灰布标准反射率和经公式（3）校正后的影像相对反射率，将水体的表面反射率除以π转换为遥感反射率.

2 结果与分析

2.1 采样数据分析

依据现场环境6组水样都判别为黑臭水体，其中HS01、HS03和HS04等采样点的现场照片见图4.图中黑臭水体主要呈现暗黑色、黑灰色、黑褐色等不正常颜色［10］，图4（c）中HS04附近河段有大量气泡，这是当地政府为整治黑臭水体安装的鼓气装置所致.

图4 采样点的黑臭水体Fig.4 Black and odorous water body at the sampling point

根据表2判别标准，表4中HS03、HS05和HS06这3组水样的溶解氧低于1 mg·L-1，HS01、HS02和HS03这3组的氨氮含量超过15 mg·L-1，此5组被判别为重度黑臭水体.HS04依指标判别为非黑臭水体，其溶解氧含量最高达到7.1 mg·L-1，这是由于鼓气装置增加了水中溶解氧含量［图4（c）］，两者权衡取其重，仍判别为黑臭水体，甚至可能是重度黑臭水体.

表4 采集水样的生化指标和感官黑臭判别结果Tab.4 Sensory identification index and consumption indicators of water samples

尽管受限于现场条件，采集的样本数量少，但这6组样品的黑臭等级存在差异，仍可支持后续研究.在水色遥感研究中，透明度是反映水质水平的一个综合指标［15-16］.HS01～HS04水体透明度低，对应河段黑臭严重；而HS05和HS06透明度高，对应河段水质相对较好.结合溶解氧和氨氮含量，按照黑臭水平划分，HS05和HS06相对较好，HS02次之，HS03最差，该划分将作为遥感识别建模的主要依据.

2.2 传感器GS获取水体光谱验证分析

从图2（c）～（e）非黑臭河段和湖泊随机采样水体的遥感反射率见图5.图5中遥感反射率有3个反射峰，分别位于570、700、810 nm附近，前2个峰分别是叶绿素反射和荧光所导致［17］，第3个峰是悬浮颗粒物反射引起［18］，以上符合二类水体光谱反射特征［19］.

图5 GS获取非黑臭河段和湖泊水体遥感反射率Fig.5 Remote sensing reflectivity of non-black and odorous rivers and lakes acquired by GS

现场实测遥感反射率是一定范围水体遥感反射率的平均值，范围大小与Maya2000探头的瞬时视场角、距水面高度有关.鉴于GS获取数据的空间分辨率为0.05 m，为与实测光谱（图6绿色虚线）对比，根据经纬度确定图上采样点位置，然后选取一定范围（图6蓝色背景），计算遥感反射率的算术平均值（图6红实线）.HS06的观测结果由于异常未给出.GS观测的平均光谱曲线（红线）在450 nm附近有1个反射峰，尤其是水体呈黑褐色、重度黑臭的HS03，但在450 nm仍有反射峰，与实测光谱不一致，具体原因未知.为消除上述异常，后续研究使用500 nm以后遥感反射率.

地面观测与传感器GS获取的水体遥感反射率的形状基本一致.同步观测的HS01、HS05、HS02的两种光谱数值接近，决定系数R2分别为0.95、0.94、0.97，均方根误差RMSE分别为0.001、0.003、0.003.HS03和HS04实测光谱值与GS获取光谱值差别较大，可能是由于观测时间不同步河流水环境变化所导致（表5）.综上，波长500～900 nm，GS和现场实测获取水体遥感反射率基本一致，其R2大于0.94，RMSE小于0.003.

表5 现场和GS获取水体光谱的R2和RMSETab.5 R2 and RMSE of water body spectra between field observation and GS acquisition

对比GS获取非黑臭（图5）和黑臭（图6）光谱，在500～570 nm和570～680 nm，黑臭水体光谱上升斜率和下降斜率，均小于非黑臭光谱.这与文献［9］和［10］实测光谱变化基本一致.上述分析表明，表3给出的黑臭水体识别算法也可用于GS获取的高光谱数据.

图6 现场观测和GS获取水体光谱比对Fig.6 Water spectrum comparison between field observation and GS acquisition

2.3 黑臭水体无人机高光谱数据识别

黑臭水体遥感识别算法需使用蓝、绿、红3个波段遥感反射率（表3）.然而传感器GS的准确波段（500～900 nm）缺蓝光波段，因而使用500 nm代替蓝光波段，绿光波段选取570 nm的反射峰，红光波段设置在670 nm的反射谷.GS获取5组水样光谱的计算结果见表6.表6中HS03黑臭严重，其值应是同组最小，HS05水质相对较好，其值应较大，HS02介于二值之间.但蓝绿波段归一化比值（I2）和WCI并不满足该规律，而绿红波段归一化比值（I3）区分度较好，因而采用绿红波段归一化比值，建立GS数据的黑臭水体识别算法.

表6 黑臭识别算法应用于GS数据结果Tab.6 Identification algorithm applied to GS data

归一化水体指数［NDWI=（G-NIR）/（G+NIR）］常用于遥感数据中水体识别，主要依据水在绿光波段（G）的反射峰和在近红外（NIR）强吸收导致低反射值［20］.然而GS获取高光谱数据，绿光波段反射峰不固定在550～580 nm之间浮动；近红外750 nm出现反射率波谷.根据上述特征，本文采用自适应NDWI算法，在550～580 nm自适应选择反射率波峰，计算NDWI以更好地识别水体；注意计算绿红波段比值时，为保证结果的一致性以识别黑臭水体，绿光波段固定在570 nm.

黑臭水体识别结果见图7.图7中归一化比值越大，说明光谱曲线在绿红波段的斜率越大，水体处于非黑臭状态，越接近蓝色；反之水体处于黑臭状态，越倾向红色.富含氮和磷等无机物等生活污水和工农业污水排放是导致水体黑臭的诱因［5，19］，研究河段穿过城市居民生活区，故生活污水排放应是导致河段黑臭的主因.河段2结果位于0.08～0.12之间，均值0.1±0.016，水量相对丰富，水体黑臭程度较低，与现场观测和生化参数评估结果一致.

图7 黑臭水体GS数据的识别结果Fig.7 Recognition results of GS data of black and odorous water

河段1结果范围0.03～0.15，均值0.079±0.039，水体黑臭程度变化较大，可将其进一步划分成3个区域（图7中方框），并在图8中进行展示.区域（a）和区域（b）之间进行了隔断，其中区域（a）是重点整治河段，清晰可见鼓气装置产生的气泡，区域（b）和区域（c）水体黑臭程度加剧，这是因为排污河道汇入黑臭水体，区域（c）也是整治河段，安装了少量鼓气装置.区域（c）中沿岸水体黑臭程度较重，这是因为岸边树木干扰水体光谱，对于星载数据而言，鉴于邻近像元干扰范围更大［21］，应谨慎处理.这3个河段水体的黑臭识别结果，都体现出良好地纹理变化特征，表明高分辨率数据在黑臭水体识别的优势.

图8 局部河段的黑臭水体变化特征Fig.8 Characteristics of black and odorous water bodies in river sections

非黑臭水体的计算结果见图9，河段I和II取值介于0.2～0.3之间，均值0.26±0.013，变化较小；湖泊取值介于0.19～0.28之间，均值0.24±0.024.鉴于黑臭河段取值介于0.03～0.13之间，黑臭水体和非黑臭水体区分阈值应介于0.13～0.19之间，但限于观测数据有限，无法确定准确阈值.尽管如此，以上结果表明利用无人机能够有效识别黑臭水体.

图9 非黑臭水体的蓝绿波段归一化遥感反射率Fig.9 Normalized remote sensing reflectivity of non-black and odorous water in blue and green bands

尽管GS提供了176个波段的高光谱数据，本文主要使用绿波段反射峰（570 nm）、红波段的反射谷（670 nm）、近红外反射峰（750 nm）等多光谱数据来识别黑臭水体.如果使用600～700 nm之间任意波长的反射率和570 nm的反射率计算归一化比值，也能识别黑臭水体.这是因为570～700 nm黑臭水体的光谱斜率小于非黑臭水体，但是相比570 nm和670 nm这一组合，其他组合对黑臭水体的区分能力相对较差，因为670 nm的反射谷能增强黑臭和非黑臭水体的在光谱斜率上的差异.750 nm主要用于NDWI计算以识别水体.

无人机高光谱数据用于黑臭水体业务化监管也存在限制，首先购买高光谱传感器或者无人高光谱数据，价格比较昂贵，不利于大规模的推广应用；其次高光谱数据的波段多数据量大，不利于数据处理分析.根据本文研究结果，在黑臭水体识别过程中，仅使用蓝、绿、红和近红等4个波段，其他波段实际上是冗余信息.针对黑臭水体业务化监测需求，只需定制上述4个波段传感器，具体波段设置：蓝波段（400 nm附近）、绿波段（550～570 nm）、红波段（670 nm附近）、近红外（750 nm附近），近红外主要用于提取水体.为确保信息的准确性，每个波段的光谱范围控制在10 nm以内，这也是水色卫星通常的波段范围限制.

3 结论与展望

尽管星载遥感数据已被广泛应用于黑臭水体识别，但而因天气、传感器重访周期、影像空间分辨率和大气校正精度等因素制约，尚无法实现城市黑臭水体的快速监管.针对上述问题，本文以GS传感器为例，提出了基于无人机高光谱数据的黑臭水体识别方法.在深圳市宝安区茅洲河支流，开展地面与无人机现场观测实验，依据针对星载遥感影像的黑臭水体识别算法，建立了无人机遥感影像种黑臭水体的识别方法，结果表明：（1）高光谱传感器Gaiasky-mini2-VN获取的光谱与实测光谱在500～900 nm之间具有良好的一致性（R2＞0.94，RMSE＜0.03）；（2）该传感器获取的黑臭水体反射率在570～680 nm光谱斜率小，因而绿红波段反射率的归一化比值能较好地区分水体的黑臭水平；（3）利用无人机开展黑臭水体业务化监管时，可用蓝（400 nm附近）、绿（550～570 nm）、红（670 nm附近）、近红（750 nm附近）4个多光谱波段替代高光谱数据，以确保得到准确的黑臭水体识别结果.上述说明无人机遥感能够实现城市黑臭水体的快速监管.

后续研究需要采集足够数量的样本点，根据绿红波段归一化比值的差异，确定黑臭水体的识别阈值，并进一步发展轻度黑臭和重度黑臭水体的区分方法.本文选择多云天气和开阔河道，是由于水体光场稳定才能获取可靠的水体光谱；后期可考虑大风和阴雨等天气，以及阴影遮挡等不利因素干扰下的水体光场，以进一步评估文中方法的适用性.