基于實測光譜與Landsat8影像的白洋淀COD遙感反演

趙起超 趙姝雅 劉剋 王延倉 李懷瑞

關鍵詞： COD; 白洋淀; 實測光譜; Landsat8; BP神經網絡; 遙感監測

中圖分類號： TN98?34 ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼： A ? ? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2019）03?0056?05

Abstract： By taking Baiyang Lake as the research area， the chemical oxygen demand （COD） inversion model is constructed by using BP neural network， combining actually?measured spectrum， Landsat8 image and COD actually?measured values. The results show that the spectral reflectivity can distinguish the pollution level of COD in water of Baiyang Lake， the average relative error of the value predicted by BP neural network and actually?measured value is 16.5%， and the model has high accuracy. The space distribution of COD concentration in water of Baiyang Lake on 30th October， 2017， is inversed on the basis of the model. The inversion results show that the Baiyang Lake has organic pollution to a certain extent， and the pollution level of part of the water can reach up to V?level， the center of the pollution area locates around villages and scenic spots at the southeast of Baiyang Lake. The main reason to cause COD rising is domestic and industrial sewage in the areas.

Keywords： COD; Baiyang Lake; actually?measured spectrum; Landsat8; BP neural network; remote sensing monitoring

0 ?引 ?言

白洋淀是雄安新區水生態系統的核心組成部分，其水質狀況關系著居民生活和工農業生產活動。近年來，白洋淀水體富營養化問題日益凸顯[1]，氨氮（NH3?N）、總磷（TP）、化學需氧量（COD）等水質參數嚴重超標，距離國家要求的Ⅲ類水體紅線較遠。因此，對白洋淀進行水質動態監測，實時掌握水質時空變化特征顯得尤為重要。水質遙感監測近年來發展迅速，該方法基于水質參數與光譜反射率的內在聯系實現水質遙感監測[2]，具有經濟、快捷、時空分布連續等特點，可避免水質采樣分析耗時、耗力、監測局部化等問題。一些學者通過統計回歸、智能算法對葉綠素?a（Chl?a）、懸浮物（SS）、有色可溶性有機物（CDOM）、化學需氧量（COD）、總磷（TP）、總氮（TN）、氨氮（NH3?N）等指標實現了直接或間接的衛星遙感監測[3?4]，并得到了較好的效果。水質遙感反演的核心問題是研究水質參數與光譜反射率的響應關系，建立二者的定量模型。因此，在模型建立前，有必要結合實測光譜數據討論水質參數與光譜反射率的相關關系，確定最優響應波段，以便于提高模型反演精度。

本文以白洋淀為研究區域，結合實測光譜和Landsat8影像，分析COD與光譜反射率的相關關系，討論COD反演的原理和可行性，并使用BP神經網絡建立反演模型，據此進行水質評價分析。

1 ?研究區概況

白洋淀位于北緯38°43′～39°02′，東經115°38′～116°07′，其主體位于河北雄安新區安新縣境內。白洋淀共由143個大小不等的淀泊組成，總流域面積為31 199平方千米，淀區水域遼闊，與居民生活區緊密聯結。淀區主要以農業、養殖業、旅游業為主，位于北部的燒車淀是國家5A級旅游景點。此次采樣路線由北至南依次經過燒車淀、安新鎮、端村鎮、趙北口鎮和圈頭鄉，共布設14個采樣點位。采樣點分布圖如圖1所示。

2 ?材料與方法

2.1 ?衛星數據

使用Landsat8多光譜數據，時間為2017年10月30日。經查證，在10月30日—31日，采樣區天氣晴朗，無降雨發生，所選衛星影像云量幾乎為零，衛星數據質量較好。衛星數據的預處理主要包括輻射定標和大氣校正，輻射定標即將衛星圖像的數字量化值轉化為輻射亮度值或反射率，大氣校正則是為了去除大氣層中發生的散射、吸收等對真實地物反射率的影響。上述處理均在ENVI 5.1環境下進行。

2.2 ?水樣及光譜采集

在2017年10月30日進行水樣和光譜采集，以保證所有數據的同步性。采樣時，使用GPS記錄位置信息，同步采集水樣和光譜。使用采樣器將采集的水體靜置30 min后移至采樣瓶保存并送實驗室分析，本文所分析的COD使用重鉻酸鉀溶液進行滴定。使用美國ASD公司的Field Spec地物光譜輻射儀采集光譜，采集時先對標準灰板進行優化，采用水面以上法對每個點位采集10次并求平均值作為最終結果。為減少環境因素帶來的影響，對光譜數據使用均值歸一化方法進行處理[5]。

3 ?結果與分析

3.1 ?實測光譜分析

COD是表征水體中還原性物質總量的化學指標，地表水中還原性物質以有機物為主，因此COD常用于表示水體有機污染程度。如表1所示，14個實驗點位中僅有3個達到Ⅲ類水體標準（COD≤20 mg·L-1），其余均不達標，其中5個達到劣V類水體（COD>40 mg·L-1），表明水體有機污染程度較高。

歸一化光譜曲線如圖2所示。圖2a）為各點位歸一化光譜曲線，白洋淀水體光譜呈現內陸水體的典型特征，在近紅外波段，反射率遠大于0，并且受Chl?a，SS，CDOM等光學活性物質影響，譜線具有明顯的峰和谷[6]：570 nm處出現最高反射峰，是由于藻類色素、懸浮物等發生散射作用;660 nm處有反射谷，是由于Chl?a在紅波段的強吸收;700 nm處有反射峰，是由于Chl?a熒光效應以及Chl?a與水在該處吸收系數之和最小。

將各點位按COD濃度分為三組，即A組（COD>35 mg·L-1），B組（20 mg·L-1<COD≤35 mg·L-1）和C組（COD≤20 mg·L-1），依次代表重度污染、中度污染和清潔水體，在每一組內將光譜數據求平均值并繪制光譜曲線（見圖2b））。從圖2b）可以看出，光譜反射率與COD污染程度有著較好的對應關系，在近紅外波段820～900 nm，反射率為[C>B>A]，即污染越重的水體反射率越低;在波峰范圍500～660 nm和700 nm處，反射率為[A>B>C]，即污染越重的水體反射率越高;在波谷范圍650～680 nm，光譜反射率為[C>B>A]，即污染越重水體反射率越低。

上述現象表明，白洋淀水體的COD污染程度可通過光譜反射率區分，這主要與COD與有機物以及Chl?a存在內在聯系有關。COD濃度取決于水體可溶性有機物總量，后者含有大量氫基團（如C—H），其在近紅外區的倍頻與合頻會發生光譜吸收，雖然水含有羥基，但水分子極性較強，對中紅外區的影響更大，在近紅外區影響相對較弱[7]，因此隨著有機物總量提升，COD濃度升高，導致水體在近紅外區反射率降低。由于Chl?a及其他藻類色素的散射、吸收作用，本文光譜數據在綠波段（570 nm）、紅波段（660 nm和700 nm）出現特征峰和特征谷，浮游植物的新陳代謝會釋放有機物，而Chl?a可以反映浮游植物存量高低，從該過程講COD是Chl?a的被動因子，文獻[1]在白洋淀的實測數據發現，COD與Chl?a存在明顯的正相關關系，也說明這一點。因此，在圖2b）中的波峰范圍，COD污染程度較重的水體反射率高，而在波谷位置，COD污染程度較重的反射率低。因此，白洋淀水體的COD污染程度可通過光譜反射率加以區分，而綠波段、紅波段和近紅外波段可能是反演COD濃度的敏感波段。

3.2 ?衛星反演模型建立

3.2.1 ?相關性分析

將采樣點分為訓練樣本和驗證樣本，Landsat8 OLI數據前7個波段包括可見光至近紅外范圍，分別用[B1～B7]表示，如表2所示。隨COD濃度升高，各波段反射率總體呈下降趨勢，這是由于有機污染導致水體顏色加深，呈黑色、藍黑色，因此反射率較清潔水體要更低[8]。

表3為衛星光譜反射率與COD濃度的相關系數，這里考慮單波段以及波段組合[Bi+Bj]，[Bi-Bj]，[ln（Bi*Bj）]和[ln（BiBj）]，由于組合種類較多，僅列出相關性較好的結果。單波段反射率同COD的相關性較差，僅有[B3，B4]和[B7]在[p=]0.05水平顯著，其余波段均未通過顯著性水平檢驗。經波段組合后，相關性明顯提升，其中[B1+B7]，[B2+B7]和[B4+B7]的[r]值均達到或接近0.8，并在[p=]0.01水平顯著，這三種組合主要包括藍、綠和近紅外波段，這與前文光譜的分析結果是一致的。

3.2.2 ?BP神經網絡模型

使用BP神經網絡構建COD遙感反演模型，根據上述分析結果，選擇相關性最顯著的[B1+B7]，[B2+B7]和[B4+B7]作為輸入，COD作為輸出。將學習速率設為0.01，這是因為學習速率低于0.05會導致計算速率過慢，而高于0.10時泛化能力和準確性較差[9]。為避免過擬合，本文選擇單隱層的網絡結構。理論證明，該結構可以逼近任何有理函數[10]。隱含層單元數經逐步試湊最終確定為3，訓練函數選取“trainbr”，該函數引入貝葉斯正則化，能在一定程度上抑制過擬合，隱含層選用S型函數“tansig”，輸出層選用線性函數“purelin”，訓練步長設為1 000，COD訓練目標為0.01。最終擬合出的模型擬合優度[R2]為0.708，均方根誤差RMSE為5.88。

4 ?討 ?論

4.1 ?模型檢驗

引入驗證樣本對模型進行校驗，統計結果如表4所示。

結果顯示，訓練樣本和驗證樣本的平均相對誤差分別為19.2%和9.7%，而全體的平均誤差為16.5%。總體來看，模型精度較好，大部分點位平均誤差小于20%，僅個別點位誤差較大。造成誤差可能因為輸入因子選取了[B1+B7]和[B2+B7]，[B1]和[B2]波長較小，受大氣散射影響較大;另外，白洋淀水體形態復雜，中間散落村鎮、葦田、臺地等，這些外部環境因素均會影響反射率，從而引起誤差。

4.2 ?模型應用

基于BP神經網絡模型生成的2017年10月30日白洋淀水體COD濃度分布圖如圖3所示。從整體來看，白洋淀部分區域COD已達劣V類水體，區域水環境不容樂觀。從空間分布上來看，燒車淀及白洋淀中部、西部水質較好，東南部污染較重，劣V類水體中心主要位于村鎮或旅游景點，如李廣村、梁莊村等為劣V類，王家寨度假村和荷花淀休閑島附近為V類?劣V類，表明水質受人類活動影響較為明顯，村鎮和旅游景點人口稠密，各類生產、生活活動較強，向水體中排放大量有機物，引起COD濃度升高。

5 ?結 ?論

本文基于實測光譜和Landsat8影像，分析了光譜反射率和COD濃度相關關系。實測光譜數據表明，由于COD與可溶性有機物、Chl?a存在內在聯系，光譜反射率可以較好地區分白洋淀水體COD污染程度。基于BP神經網絡構建白洋淀COD遙感反演模型，模型擬合度[R2=]0.708，模型整體精度較好，僅對個別點位存在一定誤差。總體來看，模型具備對COD較好的預測能力，可用于反映白洋淀COD的總體狀況。最終結果顯示，白洋淀水體有機污染程度較重，多個區域COD已達到劣V類水體，且劣V類水體中心多位于村鎮和旅游景點，表明白洋淀水質受人類活動影響較為明顯，應加強相關管理工作。

參考文獻

[1] 楊麗偉，陳詩越.白洋淀水環境質量評價[J].南水北調與水利科技，2015，13（3）：457?462.

YANG Liwei， CHEN Shiyue. Assessment of water environment quality of Baiyang Lake [J]. South?to?north water transfers and water science and technology， 2015， 13（3）： 457?462.

[2] PALMER S C J， KUTSER T， HUNTER P D. Remote sensing of inland waters： challenges， progress and future directions [J]. Remote sensing of environment， 2015， 157： 1?8.

[3] 岳佳佳，龐博，張艷君，等.基于神經網絡的寬淺型湖泊水質反演研究[J].南水北調與水利科技，2016，14（2）：26?31.

YUE Jiajia， PANG Bo， ZHANG Yanjun， et al. Water quality inversion in wide and shallow lake based on artificial neural network [J]. South?to?north water transfers and water science & technology， 2016， 14（2）： 26?31.

[4] 張麗華，武捷春，包玉海，等.基于MODIS數據的烏梁素海水體遙感監測[J].環境工程，2016，34（3）：161?165.

ZHANG Lihua， WU Jiechun， BAO Yuhai， et al. Water monitoring based on MODIS remote sensing image in Wuliangsuhai Lake [J]. Environmental engineering， 2016， 34（3）： 161?165.

[5] 唐軍武，田國良，汪小勇，等.水體光譜測量與分析Ⅰ：水面以上測量法[J].遙感學報，2004，8（1）：37?44.

TANG Junwu， TIAN Guoliang， WANG Xiaoyong， et al. The methods of water spectra measurement and analysis Ⅰ： above?water method [J]. Journal of remote sensing， 2004， 8（1）： 37?44.

[6] 馬榮華.湖泊水環境遙感[M].北京：科學出版社，2010：85?86.

MA Ronghua. Lake water environment remote sensing [M]. Beijing： Science Press， 2010： 85?86.

[7] 嚴衍祿.近紅外光譜分析基礎與應用[M].北京：中國輕工業出版社，2005.

YAN Yanlu. The basis and application of near infrared spectroscopy [M]. Beijing： China Light Industry Press， 2005.

[8] 王云鵬，閔育順，傅家謨，等.水體污染的遙感方法及在珠江廣州河段水污染監測中的應用[J].遙感學報，2001，5（6）：460?465.

WANG Yunpeng， MIN Yushun， FU Jiamo， et al. Remote sensing method of water pollution and application on water pollution monitoring in Guangzhou Section of Pearl River [J]. Journal of remote sensing， 2001， 5（6）： 460?465.

[9] DIN E S E， ZHANG Y， SULIMAN A. Mapping concentrations of surface water quality parameters using a novel remote sen?sing and artificial intelligence framework [J]. International journal of remote sensing， 2017， 38（4）： 1023?1042.

[10] HORNIK K， STINCHCOMBE M， WHITE H. Multilayer feedforward networks are universal approximators [J]. Neural networks， 1989， 2（5）： 359?366.