黑臭水体遥感检测技术与地面水质监测技术相关性研究

范利青

（珠海市供水与排水治污中心（珠海市水质监测中心），广东 珠海 519000）

遥感监测技术应用范围较大，应用成本较低，同时相关技术的操作难度较低，应用效率较高，可以弥补传统城市黑臭水体监测方法的不足之处。工作人员选择应用分辨率较高或者是城乡轮廓较为清晰的遥感影像图片，综合分析珠海市黑臭水体的动态运行情况。此种方式可以及时帮助工作人员了解珠海市黑臭水体演变过程以及流动变化情况，综合评估珠海市黑臭水体治理工作整体效率，为珠海市黑臭水体整治与监测工作提供技术支撑与保障。

1 城市黑臭水体监测的意义与技术路线及原理

1.1 传统人工监测与遥感监测

传统意义上的城市黑臭水体监测方法主要为人工采样监测方法。人工采样监测方法，顾名思义，需要工作人员以及技术操作人员前往现场，通过技术勘查或者是实地检验等方式判断黑臭水体的水质变化情况[4]。此类传统类型的水体检测方法相对可靠，但是耗时耗力，有可能受到一系列自然因素以及人为因素的影响，从而导致水体检测数据出现异常情况，且只能从某一时段或某一方面获取水体的实际信息，无法对大面积水体进行全方位的分析与检测，也无法满足珠海市大规模水体检测工作的迫切需求。与此相比，遥感监测技术应用范围较为广泛，实际的技术检测流程较为单一，使用成本较低，可以很好弥补人工水体检测方法的不足之处，运用高分辨率遥感影像可以对珠海地区的自然水体状况进行深度研究与多角度分析，深层次推进珠海市水体检测工作的改革与创新，在环境保护方面具有重要意义。

1.2 遥感监测技术路线及原理

本项目通过结合地面实测水质参数数据、无人机高光谱数据和遥感卫星影像建立无人机高光谱反演模型和卫星影像遥感反演模型，对2019年9月～2020年5月纳入城市黑臭水体整治监管平台的17条黑臭水体黑臭情况进行遥感监测反演，获得遥感监测结果，并与地面水质监测数据进行比对，分析遥感数据的可靠性，获取遥感数据的实际应用价值。目前，最有效可靠的城市水体提取方法是利用水体指数法NDWI、面向对象分割、AI自动提取等手段初步提取之后，由工作人员以及管理人员进行适当调整和优化，工作人员可以在图像上手动勾画出黑臭水体的主要范围以及相应的水域局部范围，查漏补缺，最后再采用满足精度的反演模型进行反演，获得最终的黑臭水体反演结果[5]。

2 研究区概况及监测内容

2.1 研究区概况

珠海市位于广东省南部，珠江八大出海口之磨刀门、鸡啼门、虎跳门、崖门之水汇流入海处。东与香港隔海相望，相距36海里；南与澳门陆地相连，西与江门市相邻，北与中山市接壤，距广州140 km。珠海市地理位置如图1所示。全市共有河涌、排洪渠超过200条，珠海市政府一直重视河涌、排洪渠的水质和景观提升工作，先后开展过包括各片区排洪渠的截污整治工程，取得了一定成效，但仍有部分地区存在雨污混接、错接，截污不彻底和新增排污口的问题，导致生活、生产污（废）水直接汇入河涌，使水体出现黑臭现象。

图1 珠海市地理位置示意图

2.2 监测项目及内容

（1）根据《城市黑臭水体整治工作指南》规定[6]，地面水质监测项目如下：氨氮（纳氏试剂分光光度法）；溶解氧；透明度；氧化还原电位。

（2）结合地面实测水质参数数据、无人机高光谱数据和遥感卫星影像建立无人机高光谱反演模型和卫星影像遥感反演模型，对监测范围内河流的水体黑臭情况进行反演，获得黑臭水体状况分布专题图。遥感监测数据源：卫星影像（Pléiades、GF2）；无人机高光谱数据：双利合谱的 GaiaSky-mini2。

2.3 遥感影像处理

利用高分影像对城市黑臭水体进行定量识别，需要对高分影像进行预处理。高分影像的预处理包括融合、几何校正和大气校正。

2.3.1 融合

遥感影像融合主要指的是工作人员针对不同类型的遥感影像进行深度分析与调整，融合不同类型的遥感影像进行全方位分析与多角度探索。影像融合主要是为了提高影像空间的分辨率，帮助工作人员更加直观、清晰地查看遥感影像的实际内容。目前较为常用的国产高分辨率遥感卫星（GF-1、GF-2、ZY-3、BJ-2、高景一号)均可获取较高分辨率以及全色影像，也可以获得一部分分辨率较低的多光谱影像数据，针对城市内部一部分细小河流或季节性河流，技术操作人员也可以运用遥感识别技术进行多元检测与分析，或者利用全色影像进行综合性分析，同时需要保证遥感影像融合前后光谱的一致性，当前较为通用的商业软件以及比较常用的影像融合算法，通常不能保证遥感影像融合前后光谱的一致性，对此，工作人员需要对遥感多光谱影像以及一系列全色影像进行精细配准，采用多条件约束最优模型融合算法对精细配准数据进行比较分析[7]。

2.3.2 几何校正

遥感影像可能会受到卫星传感器平台高度与飞行速度的影响，出现几何畸变，也有可能会出现位置偏移问题，此类情况在所难免，出现几何畸变的影像可能会导致遥感影像配准以及后续的定量分析出现数据误差，因此需要工作人员对几何畸变图像进行适当调整与优化，这一过程被称为几何校正，经过几何校正的参考影像被称之为Google earth（谷歌地图）精校正图像，这一校正图像中的相关数据具备科学性、多元性、可靠性、准确性特征。工作人员可以从参考项中提取控制点，也可以选择在重叠区域内部提取影像连接点，以进一步精确影像的相关内容与核心数据。

2.3.3 大气校正

针对遥感影像开展大气矫正工作，主要目的是为了去除大气因素与光照因素对遥感影像的影响，一部分遥感影像可能会受到地物反射率的影响，出现遥感影像模糊或是遥感数据错误。尤其是在水色遥感技术应用环节中，更需要工作人员针对卫星传感器的总辐射量进行精确计算。卫星传感器总辐射量90%以上来自于大气气溶胶散射、瑞利散射及太阳反射，而水体离水辐射信号非常微弱，难以捕捉。对此，在技术操作人员开展大气校正工作时，必须要对相关定量进行合理分析与校对，现阶段较为常用的水体大气校正模型主要包括大气辐射传输模型以及水气辐射耦合传输模型两种。无论采用何种传输模型，均需要工作人员对水体遥感图像进行大气校正处理，必须及时排除错误信息以及复杂数据，进一步提升遥感影像的准确度。采用水气辐射耦合传输模型需要对水体遥感图像进行数据分析，随后开展大气校正处理工作，需要工作人员结合遥感图像自身的近红外波段或远红外波段的主要数据，反复多次推理大气参数。但是实际上，国产高分辨率遥感影像并不具备非常实用的大气参数推理功能，无法对大气参数的特定波段进行反复多次的推演与校对，所以工作人员可能无法使用水体遥感图像的大气校正方法[8]。

面对此类问题，本研究主要采取不变地物法以及相对辐射归一化方法，合理处理与分析大气校正数据，经过几何校正后的高分辨率影像可以成为待校正影像，工作人员可以选择适当的空间位置，合理调整遥感影像的成像时间以及分辨率，利用SNAP 软件对遥感影像进行多元分析，随后进行大气校正与数据化处理。工作人员以及技术操作人员可以应用多元变化检测（Multivariate Alteration Detection，MAD)算法，结合待校正影像以及参考影像的对应位置，搜索不变目标地物，在确定目标位置之后，则需要结合不变目标地物的像元，拟合出具体的参数以及参考影像的线性方程，依照线性方程数据对相关影像进行多角度校正与归一化处理，并在此基础上，完成遥感影像的大气校正工作。

3 遥感监测数据分析

3.1 遥感监测数据的精度评价

模型的精度验证使用混淆矩阵来表示，混淆矩阵是用来表示精度评价的一种标准格式，其行数据表示的是模型识别的结果，列数据表示的是实际地物类别。详见表1。

表1 黑臭水体识别分类混淆矩阵

混淆矩阵中正确识别率是指所有分类正确的样点与总样点个数的比值，公式如下：P0=(a+d)/(a+b+c+d)

采用上述方法对影像进行评价，将影像根据与地面水质实际采样结果的时间差分为：

（1）遥感影像获取时间—地面水质采样时间≤±3天以内；

（2）不考虑遥感影像获取时间—地面水质采样时间的差。

如表2所示，不考虑遥感影像和地面水质采样时间差时，黑臭水体识别的精度较低，正确识别率基本在60%～80%之间；遥感影像和地面水质采样时间相差不超过3天时，黑臭水体识别的精度有所提高，正确识别率基本在70%～90%之间（注：0.00%表示该时间段内影像和地面数据时间差均超过3天）。

表2 遥感与地面比测时间差的正确识别率

如表3所示，重度黑臭水体和无黑臭水体的正确识别率大多数处于50%以上，部分月份能够完全一致；而轻度黑臭水体的正确识别率较低，大多处于20%～60%之间。整体来看，黑臭水体的识别率较低。

表3 不同地面实测程度的正确识别率

3.2 原因分析

从整个监测过程分析，造成黑臭水体整体遥感识别率较低的主要原因如下：（1）研究分析数据较少，数据量不大，导致统计的偏差。（2）地面检测日期和影像采集日期不同步，而河流的黑臭情况会受到河流流动性的影响。（3）黑臭水体判定的指标是透明度、氧化还原电位、氨氮和溶解氧。根据2019年8月～2020年5月的黑臭水体地面实测数据看，影响黑臭水平的主要指标是透明度和氧化还原电位。透明度受水体的深浅、水中藻类影响较大，易造成遥感监测的偏差；氧化还原电位未能找到适合的关联模型，导致轻度黑臭水体无法有效识别。

4 总结与建议

本项目的研究对象为城市黑臭水体，运用遥感影像技术以及数据分析技术，充分对比黑臭水体与城市内部一般水体的水质参数区别与光谱差异，遥感分析技术取得了较好的应用效果。但是针对本项目存在的一些不足之处，具体建议如下：（1）继续加强地面检测日期和影像采集日期的同步性，加强对数据的收集分析。（2）根据目前的研究结果，可使用当前遥感技术作为重度黑臭水体的筛查技术，促进主管部门的及时反应。（3）下一步的研究方向是针对轻度黑臭水体，需要研究人员进一步研究关联项目模型，可适当增加地面水体监测项目，如增加悬浮物、叶绿素等项目的检测，优化反演模型。