基于紫外可見光譜的地表水水質硬度檢測方法研究

仲玉晶 文靜

摘 要：分析在紫外、可見光波譜中可用作地表水遙感條件下硬度檢測的資源，并利用卷積神經網絡排除該檢測過程中的不穩定性。經過仿真測試，該算法較傳統的Ca、Mg離子吸收光譜法，在分析精度和結果數據穩定性方面有顯著提升。

關鍵詞：紫外波譜;可見光波譜;吸收譜線;卷積神經網絡;水質硬度檢測

中圖分類號：X832 文獻標識碼：A ? ? 文章編號：1001-5922（2021）10-0042-04

Research on Surface Water Hardness Detection Method Based on UV Vis Spectrum

Zhong Yujing， Wen Jing

（Qinghai Hydrological And Water Resources Forecasting Center， Xi ning 810001， China）

Abstract：This paper analyzes the resources that can be used to detect the hardness of surface water under the condition of remote sensing in the ultraviolet and visible spectrum， and uses convolution neural network to eliminate the instability in the detection process. The simulation results show that the algorithm is better than the traditional Ca and Mg ion absorption spectrometry in analysis accuracy and data stability.

Key words：ultraviolet spectrum; visible spectrum; absorption spectrum; convolution neural network; water hardness detection

0 引言

早期地表水污染狀態監測，一般需要在全國各地布局水文站，通過現場采集水樣實驗室化驗的方式進行水樣分析。且該分析過程需要使用到色譜儀或者質譜儀，甚至要用到蛋白質電泳顯影化驗。該化驗方式相關儀器操作較為復雜，儀器較為昂貴，并非每個水文站都可以配備，所以水樣一般需要集中送交到省級水文管理單位進行集中化驗。這一過程要消耗大量的人力，工作效率較低，檢測水樣的管理難度較大，容易造成數據更新不及時，且水樣采集點也很難覆蓋全國各地的地表水水體，存在一定的統計學幸存者偏差效應。

衛星遙感圖像用于地表水水質硬度檢測的相關技術實踐，在20世紀中后期已經開始實踐，但近年來隨著高分衛星工程民用化進程的推進，民營企業逐漸開始研究如何利用衛星遙感圖像的可見光（400～780nm）、近紫外（200～400nm）、遠紫外（4～200nm）進行地表水硬度檢測，應用于水產養殖、水質管理等，已經成為技術發展新方向。特別是對水質硬度影響最大的Na+（589.592nm） 離子、K+（766.490nm） 離子、Ca2+（317.933nm）離子的濃度含量測定，成為該技術的重點。

該研究重點就基于高分衛星遙感圖像的水質硬度檢測方案進行研究，對衛星數據進行深度挖掘，將其反射廣譜信息和紅外紫外信息用作水質檢測，提出一種更簡便、迅速、穩定的可用于民營企業水質硬度檢測的監測方法。該方法可以在每次相關衛星飛掠中國國內區域時均進行全面檢測，數據無死角，更新也較為迅速。

1 衛星水質遙感的基本原理

1.1 衛星遙感的數據來源及干擾

衛星對地遙感，根據傳感器類型，可以在電磁波全波段中選擇任意觀測波段接收地面反射。這些電磁波的特定波長，代表著反射物的具體成分。該研究梳理了地表水中大部分可能出現的化學成分反射光線中的吸收波長，即如果地表水中存在對應物質，根據其實際含量，對應波段的特定波長反射率會有所降低。但是，地表水中的絕大部分物質成分為H和O，此時需要排除H和O吸收波長給衛星遙感設備帶來的干擾。且還應考慮到陽光穿過大氣層時，大氣層中相關物質成分帶來的吸收波長干擾，以及大氣層中較為濃厚的平流層頂和對流層頂（云頂）帶來的反射吸收波長特性。該過程如圖1所示。

圖1中，太陽光穿透大氣層的耗散層、平流層、對流層照射水體，此時已經失去了絕大部分紫端輻射能，即宇宙空間中太陽光屬于白偏藍光，但到地面照射得到徑流水水體時，大部分紫端光已經被吸收，此時水面反射出的光線為藍偏黃色。此時，水邊建筑物及植被都可能產生炫光，炫光部分直射衛星感光元件，部分經過水體反射后到達衛星感光元件，這也會導致水體“變色”，影響水體反射光的顏色構型。同時，太陽光為光源，需要依次發生平流層的層頂反射、耗散、吸收，以及對流層的層頂反射、耗散、吸收，衛星運行的耗散層中也有可能產生光線特定波長的耗散和吸收。這些都會給衛星遙感帶來直接干擾。所以，該算法必須充分考慮到這些干擾才可以達到理想的評價效果。

1.2 離子吸收波長分布情況

每種離子均有特定的一系列吸收光譜，其原理在于特定波長光子擊中電子云后，電子云會吸收并發生向高能級躍遷。此時，每種離子均可能形成數十條吸收光譜線，但每種元素均有最低能級狀態下的躍遷譜線被稱作該種離子的第一推薦譜線。根據第一推薦譜線的波長位置，會發現已知離子在可見光（400～780nm）條件下的12條譜線，如表1所示;在近紫外線（200～400nm）條件下的55條譜線，如表2所示;在遠紫外線（4～200nm）條件下的8條譜線，如表3所示。當前已知118種元素中，有75種可以通過該方案進行檢測。

表1中多為小原子量的常見元素，其中對水質硬度構成影響較大的K離子、Li離子、Na離子、Cl離子等，也包含較多其他元素。

表2中包含了該方案可檢測元素的大部分，特別是對水質硬度影響較大的Ca、Al、Mg、Ag、Fe和P離子等，均在該監測范圍內。

表3中包含最強吸收譜線在4～200nm的離子，此類離子在早期技術中并不能被衛星遙感有效檢測，但在高分13號衛星之后可以實現該檢測技術，其中包含了對水質硬度影響較大的S離子、I離子、C離子、Zn離子等。遠紫外線吸收波譜技術的應用，是對衛星遙感水質硬度檢測的重要技術補充。

2 吸收光譜檢測方法革新

前文分析中，衛星遙感完成水質檢測的過程，水體的反射光線可能發生較大程度的干擾性變化，即其反射光線的譜線并不完全由其自身的光子吸收效應造成，如果構建模糊矩陣等較為直接的剛性算法，很難對相關干擾逐一處理。因為這些干擾的實際發生機制難以確定，所以需要在反射光的極端不完備數據條件下的完成衛星遙感圖像文件的數據處理。這就決定了有必要使用基于神經網絡的機器學習人工智能算法。神經網絡算法的特點即是在不完備數據條件下，可以使用深度挖掘計算方式獲得不完備數據中攜帶的干擾因素信息。

綜合分析，在紫外、可見光波譜內的可檢測元素已經達到了75個，但仍不能實現對所有可能元素的含量精準分析。傳統模式下，針對特定譜線，應考慮到極限相當濃度、徑向檢測極限、信號相對強度、信噪比、實測信號強度、大氣散射印象、云層反射影響、相對論效應、速度紅移效應等多種干擾因素，這些干擾因素中的大部分均無法有效測定。所以，該數據屬于不完備數據，不完備數據的分析結果誤差較大，且難以將數據分析落點控制在置信區間內。故需要在實驗室中構建足夠大量的訓練數據，對一列卷積神經網絡形成的機器學習水質硬度判斷模塊進行訓練，最終達到更精準的水質硬度判斷方案。

神經網絡采用單模塊設計，輸入端為精選的至少75條譜線，為加強分析效果，可增設每元素的第二推薦譜線作為參照，即該神經網絡的輸入端為150條譜線的實測值。

神經網絡的輸出端為1個雙精度浮點型變量，投影區間為[0，1]區間，即其前置一個卷積神經網絡模塊，后置一個函數解釋輸出模塊，如圖2所示。

圖2中，對圖像進行逐像素掃描，提取像素信息后，根據其色彩信息進行色譜反算（因為不同衛星傳感器的波長感應器構成不同，需要使用高分工程開發工具包內置軟件完成），得到的色譜結果為一個Q-λ直方圖，在直方圖上讀取上述150個λ特征點的Q值，作為神經網路的輸入值。

神經網絡的統計學意義是將150個在Q-λ直方圖讀取的雙精度浮點型變量進行卷積降維，使其形成1個雙精度浮點型變量，用于標記該區域的水硬度，所以，其應采用相關文獻中常用的卷積降維節點函數六階多項式回歸函數進行設計。其函數如公式（1） ：

式中：Xij為上一層神經網絡傳導的第i個輸入值;Y為該節點輸出值;j為多項式階數;Aj為第j階多項式的待回歸系數。

采用40%的卷積壓縮比，該神經網絡的隱藏層架構如表4所示。

經過4層隱藏層并經輸出層1個節點進行數據整理輸出后，得到1個雙精度浮點型變量，該變量的可能落點在（-∞，+∞）區間上，但為了考察神經網絡的收斂特性，僅規定[0，1]區間上的輸出值有效，通過判斷最終輸出值是否在[0，1]區間來判斷神經網絡的收斂特性。

假定其有效輸出值為A，則在硬度解釋模塊中將A變換為1000，即可實現對該輸出值的解釋。

3 算法效能仿真測試

水質數據可以通過現場采集數據并利用質譜儀分析得出精確的水質硬化成分的檢測，所以使用質譜儀數據作為評判標準，通過現場采樣并進行實驗室分析得到水硬度結果對該神經網絡進行訓練并充分收斂，進而使用針對Ca、Mg離子吸收波長直接測算法以及該研究革新算法進行效能仿真測試比較，如表5所示。

表5中，革新方法較傳統Ca、Mg譜線法在測量標差方面有了顯著提升，且以實驗室抽樣結果為參照，傳統Ca、Mg譜線法較實驗室結果偏差6.60%，而革新方法較實驗室結果偏差2.43%;Ca、Mg譜線法的數據集標差達到9.2mg/L，而革新方法的數據集標差僅為2.1mg/L，可見革新方法的數據產出更為穩定。

4 總結

水質硬度雖然以等效Ca、Mg離子比重為標記，但影響水質硬度的核心原因在于水中溶解無機鹽的總比重。采用文章革新方法對水質硬度進行檢測，引入基于神經網絡的機器學習人工智能算法，考慮到了75種可溶無機鹽離子的影響，雖然其數據具有不完備性，但通過神經網絡算法對數據不完備進行了適應性深度迭代回歸，使該數據不完備性得到有效緩解。所以，該革新方法在衛星遙感圖像中紫外、可見光波譜水硬度分析方面有積極意義。

參考文獻

[1]劉增賢，劉克強，李勇濤，等.太湖流域水產養殖面積遙感監測及產流模擬分析研究[J].水利規劃與設計，2020（12）：97-102.

[2]王賽林.遙感技術在水資源管理中的應用[J].水利科技與經濟，2020，26（11）：85-88.

[3]王聯友，林建濤，袁偉儉.基于遙感的城市水環境監測方法研究[J].測繪與空間地理信息，2020，43（11）：152-155.

[4]何穎清，馮佑斌，扶卿華，等.珠江河口海水表層鹽度光學遙感反演研究[J].地理與地理信息科學，2020，36（06）：40-47.

[5]王歆暉，田華，季鐵梅，等.哨兵2衛星綜合水質指標的河流水質遙感監測方法[J].上海航天（中英文），2020，37（05）：92-97+104.

[6]聞亮，李勝，陳清，等.基于無人機遙感的水質監測信息集成與應用[J].江蘇水利，2020（10）：35-40.