上海市黑臭水體光譜特征分析及遙感識別方法探究

顧佳艷，何國富，占玲驊，胡元樹，孔維鑫，楊根森

華東師范大學生態與環境科學學院, 上海市城市化生態過程與生態恢復重點實驗室, 上海 200241

根據《城市黑臭水體整治工作指南》，城市黑臭水體是指“建成區內呈現令人不愉悅的顏色和(或)散發令人不適氣味的水體”，沉積底泥懸浮[1-3]、有機物污染[4]、水體熱污染[5-6]等均可造成水體黑臭. 水體黑臭本質上是水體污染負荷超過了其自凈能力，從而引發的水質指標超標[7]，國內大部分城市存在普遍的河道黑臭，其分布廣且散. 自《水污染防治行動計劃》發布以來，上海市經過摸排，將1 864條段黑臭水體列為整治對象(2017年)，陸續開展整治工作. 我國水環境管理由濃度控制、總量控制、水質管理向風險管理轉變的發展趨勢已基本成型[8]. 因此，如何鞏固整治成果、如何開展有效監管及風險管控是上海市水環境質量綜合提升的重要內容. 水體黑臭具有動態性、季節性、反復性的特征，傳統監測技術手段難以實現長期、周期性的評估，容易造成漏報或數據更新不及時，亟需一種能夠實現廣泛調查的監管方法. 不同污染程度水體有著不同的光學活性物質，對于太陽輻射能量的吸收和反射有所不同，如高濃度的有色可溶性有機物對光譜的吸收作用[9]，在685 nm附近Chla的熒光光譜有明銳的峰值[10]等. 由于水體具備這些光學特征，遙感技術在黑水團監測[11-14]、水體提取[15-17]、水質反演[18-20]等方面實現了廣泛應用，且已成功運用于海洋[21]、湖泊[22-23]等大型水體的污染監測.

衛星遙感監測技術通過搭載傳感器，可在區域或城市尺度上反映監測對象的宏觀變化趨勢[24]. 在光學遙感衛星研制方面，我國自主研制并發射的高分二號(GF-2)空間分辨率達到0.8 m，具備了對中小型河道的識別能力. 在此基礎上，針對市域范圍內的黑臭水體遙感研究取得了大量成果，研究者們對包括北京市、深圳市、沈陽市、南京市、太原市、無錫市、杭州市等多個城市或地區的黑臭水體光譜特征進行了分析，并基于實測數據或擬合數據構建識別模型，主要包括單波段法、比值法、色度法、歸一化比值模型(BOI法)、光譜指數法、黑臭水體斜率指數(SBWI法)、黑臭水體判別指數(HCI)等[25-29]. 但國內對于黑臭水體遙感研究仍存在驗證樣本具有隨機性、研究數據量不足[30]等問題. 目前，有關上海市黑臭水體遙感識別及光譜分析的研究甚少，基于此，該研究以上海市黑臭水體名錄內的105條段河道樣本為研究對象，結合水質參數和光譜測量數據，分析黑臭水體和一般水體的光譜特性及差異，構建上海市黑臭水體識別方法并進行驗證，為其未來黑臭水體的監測、監管及評估提供借鑒.

1 研究區域與數據分析

1.1 研究區域

上海是我國最重要的沿海城市之一，經濟發展引入了大量人口，使得河流的生態系統遭受到一定的破壞，水環境質量已成為制約其環境保護與經濟進一步發展的重要因素[31]. 2017年上海市共統計有河道43 424條段，黑臭河道整治名錄1 864條段. 研究共采集名錄內105條段河道水樣，覆蓋15個行政區(見圖1，不包括黃浦區，該區在采樣時已整治完畢).

圖1 研究區域及點位分布Fig.1 Research area and points distribution

1.2 樣品采集及分析方法

采樣時間為2018年7-8 月，使用圓柱形采水器采集水下50 cm處的水體，用2個1 L乙烯瓶盛裝，置于0～4 ℃的保溫箱保存. 現場測定：河寬(0.1 m)、透明度(SD)(0.01 m)、溫度(T)(0.1 ℃)、氧化還原電位(ORP)(1 mV)、DO濃度(0.01 mg/L). 實驗室測定：Chla濃度、總懸浮顆粒物(TSM)濃度、CODCr濃度、高錳酸鹽指數(CODMn)濃度、TP濃度、氨氮(NH3-N)濃度、粒徑(d10、d50、d90). 測定方法參照《水和廢水監測分析方法》(第四版)[32].

1.3 黑臭水體判定標準

根據《關于加快本市城鄉中小河道綜合整治的工作方案》(2016年)，得出上海市對中小河道黑臭的地方定量判定標準為NH3-N濃度＞5 mg/L、DO濃度＜2 mg/L、SD＜25 cm，其中一個指標不達標，則判定為黑臭. 對于水深小于25 cm的采樣點，若未見河底，判定為黑臭. 此外，將感官評判與定量指標相結合，上海地方對黑臭水體的定性判定標準為投訴多、環境差、有異味.

1.4 光譜測量及遙感反射率(Rrs)計算

使用AvaField-1便攜式地物波譜儀，以“水面以上法”測量光譜[33]，采用天頂角40°、方位角135°的觀測幾何[34]，選用反射率(ρp)為99%的參考白板，測量當天要求無明顯云層遮擋、太陽光直射. 按照“確定積分時間-暗電流(15條)-參考板光譜(15條)-水體光譜(15條)-天空光光譜(15條)-參考板光譜(15條)”順序依次采集數據. 每個點位采集三組光譜數據，單獨保存進行統計處理.

根據測量所得的水體上行輻亮度Lu(λ)、天空光下行輻亮度Lsky(λ)以 及參考板的輻亮度Lp(λ)，計算遙感反射率(Rrs).

式中：Rrs(λ)為 實測高光譜反射率，sr-1；rsky為水氣界面的天空光反射率，通過Fresnel公式[35]推算得到；ρp為由生產商提供的參考板反射率光譜. 根據采樣時間和經緯度，計算太陽天頂角、方位角. 通過觀測方位角和風速查找，發現當觀測天頂角為40°時，rsky=0.024 5.

2 結果與討論

2.1 上海市黑臭水體光譜提取特征分析

2.1.1 光譜分類

內陸水體的光學特性比大洋水體更為復雜[36]，城市水體黑臭作為極端的水體污染，其污染物的來源、形態、含量等差異都會使水體呈現不同的表現形式，對其分類能更加精確有效地描述各類水體特征.

以遙感反射率(Rrs)為光譜分類的主要依據，做進一步數據處理，包括：①平滑處理. 采用Savitzky-Golay 平滑模型[37]；②歸一化處理. 將 420～750 nm 波段間的反射率平均值作為歸一化值[38]；③一階微分處理. 確定光譜拐點以及最大、最小反射率的波長位置，最終得到4個主要反射峰(F)和3個主要吸收谷(G)（見圖2和表1）.

圖2 主要反射峰及吸收谷位置Fig.2 Locations of the main reflection peaks and absorption valleys

表1 主要反射峰及吸收谷特征值Table 1 Characteristic wavelength of main reflection peaks and absorption valleys

對105個點位進行數據統計分析，最終確定以反射峰1(F1)、反射峰2(F2)、反射峰3(F3)對應的遙感反射率(Rrs)作為劃分依據，將黑臭水體分為三類(BOW1類、BOW2類、BOW3類)，一般水體分為三類(GW1類、GW2類、GW3類). 其中，GW1類(33個)、BOW1類(14個)特征值均表現為F1＞F2＞F3，GW2類(18個)、BOW2類(13個)特征值均表現為F1＞F3＞F2，GW3類(5個)、BOW3類(22個)特征值均表現為F3＞F1＞F2.

2.1.2 六類水體光譜特征分析

為針對各類水體的光譜特征進行分析，繪制Rrs平均值光譜曲線(見圖3). 張玲[39]發現400～900 nm范圍內，一般水體的Rrs值整體比黑臭水體稍高. 該研究中，400～520 nm范圍內僅有GW3類和BOW3類水體滿足該特征；520～675 nm范圍內，基本符合一般水體Rrs值高于黑臭水體的特征，但675 nm后結果相反. 姚煥玫等[40]也發現，黑臭水體的Rrs值在近紅外波段達到最大，而一般水體則呈現相反的特征.

圖3 六類水體的遙感反射率（ Rrs） 光譜曲線Fig.3 Remote sensing reflectance ( Rrs) spectrums of six types of water bodies

如圖4所示，六類水體的光譜曲線在不同波長范圍均有較為明顯的特征峰和特征谷. 其中，550 nm附近的吸收峰主要受浮游植物影響；650 nm附近的反射峰則是由620 nm附近的藻青蛋白吸收峰和675 nm附近的Chla吸收峰共同作用形成；700 nm附近的反射峰則與水中藻類濃度有關，且峰值大小可用于衡量Chla濃度[41]；700 nm后，由于純水吸收，反射率陡降；在806 nm附近又出現反射峰，BOW3類水體峰值明顯高于其他水體，這是由TSM的后向散射引起，且僅與非生命懸浮顆粒物的濃度大小有關[42]. GW1類和BOW1類水體在400～550 nm內的Rrs隨波長增加逐漸上升. 有研究[25]指出，黑臭水體的反射率光譜比一般水體變化更為平緩. 溫爽等[29]也發現，南京市黑臭水體在550～700 nm范圍內光譜曲線變化最為平緩. 該研究中BOW1類水體表現出類似特征. 此外，何磊[43]提出水中懸浮泥沙濃度的增加會導致水體反射峰值向長波方向移動(600 nm以上). 該研究中GW1類和BOW1類水體在550 nm附近的吸收峰明顯向600 nm方向移動(見圖4). 綜上，BOW1類、BOW3類水體在550～700 nm處的光譜曲線與其他四類水體存在明顯差異.

圖4 六類水體遙感反射率（ Rrs）平均值光譜曲線Fig.4 Spectral curves of average remote sensing reflectance of six types of water bodies

2.2 水質參數分析

根據上海市中小河道黑臭判定標準，105個樣本中共有49個黑臭水體，56個一般水體，其水質參數平均值±標準差如表2所示. 由表2可見，黑臭水體中，ORP及TSM(總懸浮物)濃度平均值均表現為BOW1類＞BOW2類＞BOW3類；NH3-N濃度及SD則均表現為BOW2類＞BOW1類＞BOW3類，其余指標值則均表現為BOW1類＜BOW2類＜BOW3類，水體內有機物含量逐漸增加. 一般水體中，除NH3-N濃度、SD、TSM濃度、d10、d50、d90六項指標外，其余指標值也表現為GW1類＜GW2類＜GW3類.

表2 105個河道點位水質參數平均值Table 2 Water qualities parameters at 105 river samples

水體光譜特性會受到懸浮泥沙顆粒大小和含量、浮游生物含量、營養鹽含量、水深、水溫等因素的影響[44]. BOW1類水體Chla濃度最小，而粒徑和TSM濃度最大，因此水體受Chla濃度影響最小，TSM濃度影響最大. 有觀點認為，當TSM濃度在0～50 mg/L的范圍時，任何波段的反射率和TSM濃度都具有較強的相關性[45]. 六類水體TSM濃度平均值在24.81～54.00 mg/L之間，推測各水體的光譜曲線波動幅度可能與TSM濃度的大小有所關聯. BOW3類水體Chla濃度和粒徑最大，表現為675 nm附近處的吸收谷和700 nm附近的反射峰值最為突出. GW2類、BOW2類水體的大部分參數值分別介于其余兩種水體之間，其光譜曲線變化特征也依從水質特征. 此外，由于二者的光譜曲線的形態變化差異較小，在水體識別上增加了難度. 實際上，水質濃度的變化與水體反射光譜特征之間尚缺乏足夠的響應，也會導致部分水體的識別精度下降[46].

2.3 上海市黑臭水體遙感識別方法討論

對Rrs進行波段積分，將實測高光譜數據擬合為多光譜數據，得到等效遙感反射率〔Rrs(eq)〕值，對總樣本量的2/3(共70個樣本點，其中31個黑臭水體，39個一般水體)進行黑臭水體識別建模，計算公式如下：

式中：Rrs(eq)為 衛星波段等效遙感反射率，sr-1；fSRF(λ)為衛星波段光譜響應函數(選用GF2-PMS2傳感器光譜響應函數)；F0(λ)為大氣層外太陽光譜輻照度，W/m2.

結合樣本的實際情況，該研究主要對角度法和比值法的建模和驗證情況進行討論. 建模樣本數:驗證樣本數=2:1(建模樣本數根據總樣本數等比例抽取).為更合理地評價方法對黑臭水體的識別效果，定義綜合識別正確率=(建模樣本數/總樣本數)×建模正確率+(驗證樣本數/總樣本數)×驗證正確率. 定義總識別正確率=(黑臭水體樣本數/總樣本數)×黑臭水體綜合識別正確率+(一般水體樣本數/總樣本數)×一般水體綜合識別正確率.

2.3.1 角度法識別黑臭水體的結果

角度法是利用光譜曲線呈現的不同夾角識別黑臭水體，其中藍波段、綠波段、紅波段及近紅外波段中心波長依次為514、546、656、822 nm(見圖5). 以綠波段為頂點，將綠-藍波段和綠-紅波段的夾角定義為α1角；以紅波段為頂點，將綠-紅波段和紅-近紅外波段的直線夾角定義為α2. BOW1類水體的α1角主要為鈍角，總體上大于其他水體中的α1角；BOW3類水體的α2角大多近似直角，而其他水體中的α2角更趨于平角.

圖5 六類水體的等效遙感反射率〔 Rrs(eq)〕光譜曲線Fig.5 Equivalent remote sensing reflectance ( Rrs(eq)) spectral curves of six types of water bodies

設藍波段坐標為(x1,y1)，綠波段坐標為(x2,y2)，紅波段坐標為(x3,y3)，近紅外波段坐標為(x4,y4). 坐標標準化處理如下：(x1',x1')=[(x1－450)/100,y1/0.4)]；(x2',y2')=[(x2－450)/100,y2/0.4]；(x3',y3')=[(x3－450)/100,y3/0.4]；(x4',y4')=[(x4－450)/100,y4/0.4].

如圖6(a)(b)所示，以角度α1＞90°為界，對BOW1類水體識別率為100%；以角度α2＜165°或＞175°為界，可識別出87.50%的BOW2類水體、92.86%的BOW3類水體，因此將角度法判別閾值選取為，黑臭水體(角度α1＞90°)和(角度α2≤165°或 ＞ 175°)；一般水體

圖6 角度法對上海市黑臭水體的識別結果Fig.6 Identification results of black and odorous waters in Shanghai City by angle method

(角度α1≤90°)和(165°＜角度α2≤175°).

對一般水體，角度α1＞90°時，會將30.43%的GW1類水體誤判為黑臭；同樣，角度α2≤165°或＞175°時，會將52.17%的GW1類水體、61.54%的GW2類水體、33.33%的GW3類水體誤判為黑臭.

2.3.2 比值法識別黑臭水體的結果

在比值法中，將藍波段、綠波段、紅波段、近紅外波段分別定義為b1、b2、b3、b4，將其對應的Rrs差、和的比值兩兩組合，如(b2－b4)/(b2+b4)等，增大黑臭水體和一般水體之間的差距，以此識別黑臭水體.建模過程中發現不涉及b4波段的識別方法精度較低，而在b1b4、b2b4、b3b4三種組合情況中，b2與b4組合對黑臭水體的識別率最高.

波段比值≤0.6時，BOW1類、BOW2類、BOW3類水體的識別率分別為66.67%、100%、100%(見圖7)，因此將比值法的閾值選取為，黑臭水體(Rrsb2-Rrsb4)/(Rrsb2+Rrsb4)≤0.6； 一 般 水 體(Rrsb2-Rrsb4)/(Rrsb2+Rrsb4)＞0.6. 同樣，此時會將26.09%的GW1類水體、23.08%的GW2類水體、100%的GW3類水體誤判為黑臭.

圖7 比值法對上海市黑臭水體的識別結果Fig.7 Identification results of black and odorous waters in Shanghai City by ratio method

2.3.3 角度法和比值法的精度評價

基于上述兩種方法的黑臭水體識別閾值區間，對35個點位進行驗證. 采用角度α1驗證時，3類水體(BOW1類、BOW2類、BOW3類，下同)識別率分別為100%、20%、12.5%，一般水體中GW1類3個樣本被誤判；采用角度α2驗證時，3類水體識別率分別為100%、60%、75%，GW1類7個樣本被誤判，識別正確率為30%，GW2類、GW3類分別有2個、1個樣本被誤判；采用比值法驗證時，3類水體識別率分別為80%、80%、87.5%，GW1類、GW2類各有3個樣本被誤判，識別正確率分別為70%、60%，此外，GW3類也有1個樣本被誤判.

2.3.4 基于角度-比值聯合法識別黑臭水體的結果

根據水體綜合識別正確率定義，對六類水體進行綜合識別，結果如表3所示. 角度α1法對BOW1類水體識別率為100%，且僅對GW1類水體有誤判，但對BOW2類、BOW3類水體識別能力有限. 角度α2法對三類黑臭水體都有較好的識別率，但對一般水體的誤判率為55.36%. 鑒于此，嘗試將比值法替代角度α2法，組成角度-比值聯合法，探究組合方法對黑臭水體的識別情況，此時判別閾值為，黑臭水體(角度α1＞90°)和 [(Rrsb2-Rrsb4)/(Rrsb2+Rrsb4)≤0.6]；一般水體(角度α1≤90°)和[(Rrsb2-Rrsb4)/(Rrsb2+Rrsb4)＞0.6].

表3 角度法和比值法的綜合識別正確率Table 3 Comprehensive recognition rates of angle method and ratio method %

如圖8所示，對BOW1類水體，角度α1法補充了比值法不能識別出的水體，正確率為100%；BOW2類、BOW3類水體的識別正確率同比值法，分別為92.31%、95.45%. 此時，角度-比值聯合法對黑臭水體的綜合識別正確率為95.92%. 由于角度α1法會使得一部分GW1類水體的誤判率被提高，此時綜合誤判率為39.29%，相較比值法(33.93%)增加了5.36%.整體來看，根據水體總識別正確率定義，角度-比值聯合法對105個樣本的總識別正確率為77.14%.

圖8 基于角度-比值聯合法的上海市黑臭水體識別結果Fig.8 Identification results of black and odorous waters in Shanghai City by combined angle-ratio method

2.4 已有識別方法的應用分析

為進一步探究角度-比值聯合法識別黑臭水體的適用性，基于擬合多光譜數據，采用姚月等[25]定義的歸一化比值模型(BOI, black and odorous water index)，溫爽等[29]定義的黑臭水體斜率指數(SBWI, slope of black-odorous water index)以及歸一化黑臭水體指數(NDBW, inormalized difference black-odorous water index)對上海市105個樣本進行識別驗證(見表4).

表4 基于擬合表觀光學特性的黑臭水體判別式匯總Table 4 Summary of discrimination formula for black and odorous waters based on fitting apparent optical properties

由表5可見，3種驗證方法及判定閾值更適用于識別一般水體. 對于黑臭水體，BOI法對BOW1類水體的識別率最高，但僅為57.14%，且BOI法和SBWI法無法識別BOW2類和BOW3類水體.

表5 3種驗證方法對上海市黑臭水體的識別結果Table 5 Identification results of black and odorous waters in Shanghai City by three valida tion methods

3種驗證方法對BOW1類水體的識別正確率均小于60%，這一方面可能是由于不同研究者建立的水體光譜數據庫不同，導致建立的方法可識別的黑臭水體也不相同；另一方面，也可能是方法本身的判別閾值不適用. 基于此，將BOI法、SBWI法、NDBWI法的判定閾值調整為0.11、0.013、[0.06, 0.15]，此時3種驗證方法對BOW1類水體的識別率均為100%，同時對GW1類水體造成57.58%、21.21%、57.58%的誤判.

綜上所述，黑臭水體不同驗證方法的適用區域和范圍不盡相同，易受地理位置和水質環境等因素的影響[47]，需要在實際應用過程中進行修正[48]. 因此該研究提出的角度-比值聯合法需在其他城市或者區域進行進一步驗證和探討.

3 結論與展望

a) 該研究共采集上海市黑臭水體名錄中105個河道樣本，根據其中小河道黑臭地方判定標準，得到49個黑臭水體，56個一般水體.

b) 根據光譜曲線特征，將水體分為三類一般水體(GW1類、GW2類、GW3類)、三類黑臭水體(BOW1類、BOW2類、BOW3類)，其中BOW1類、BOW3類與其他四類水體光譜曲線差異明顯；水質參數顯示，BOW1類的Chla濃度、粒徑值在六類水體中最小，TSM濃度最大；而BOW3類的Chla濃度、粒徑值均最大.

c) 基于擬合多光譜數據對樣本進行識別驗證，角度α1法、角度α2法、比值法對黑臭水體的綜合識別正確率分別為36.73%、85.71%、87.76%；以角度α1法和比值法組合成的角度-比值聯合法對黑臭水體的綜合識別正確率為95.92%，對一般水體的誤判率為39.29%；該方法的總識別正確率為77.14%.

d) 采用BOI法、SBWI法、NDBWI法進行驗證，發現3種驗證方法更適用于識別樣本集中的一般水體，對BOW1類的識別率均低于60%，且BOI法、SBWI法無法識別BOW2類及BOW3類水體，這可能是由于采樣時間、地點不同，導致方法的判別閾值不適用.

e) 研究提出的黑臭水體遙感識別方法主要是基于對上海市105條段水體光譜特征的分析結果，并且僅在上海市進行了驗證，還需在其他城市或地區進一步驗證和探討.

參考文獻(References)：

［1］WU M, HUANG S L, WEN W, et al.Nutrient distribution within and release from the contaminated sediment of Haihe River[J].Journal of Environmental Sciences，2011，23（7）：1086-1094.

［2］CHEN J，XIE P，MA Z M，et al. A systematic study on spatial and seasonal patterns of eight taste and odor compounds with relation to various biotic and abiotic parameters in Gonghu Bay of Lake Taihu， China[J]. Science of the Total Environment，2010，409(2)：314-325.

［3］HAGGARD B E, SOERENS T S.Sediment phosphorus release at a small impoundment on the Illinois River, Arkansas and Oklahoma, USA[J].Ecological Engineering，2006，28（3）：280-287.

［4］CHENG X H，PETERKIN E，BURLINGAME G A. A study on volatile organic sulfide causes of odors at philadelphia's northeast water pollution control plant[J]. Water Research，2005，39(16)：3781-3790.

［5］KIRILLIN G, SHATWELL T, KASPRZAK P.Consequences of thermal pollution from a nuclear plant on lake temperature and mixing regime[J].Journal of Hydrology，2013，496：47-56.

［6］VERONES F, HANAFIAH M M, PFISTER S, et al.Characterization factors for thermal pollution in freshwater aquatic environments[J].Environmental Science & Technology，2010，44（24）：9364-9369.

［7］ 高紅杰, 袁鵬, 劉瑞霞.我國城市黑臭水體綜合整治: 問題分析、治理思路與措施[J].環境工程技術學報，2020，10（5）：691-695.

GAO H J, YUAN P, LIU R X.Comprehensive governance of urban black and odorous water bodies in China: problem analysis,treatment ideas and measures[J].Journal of Environmental Engineering Technology，2020，10（5）：691-695.

［8］ 符志友, 張衍燊, 馮承蓮, 等.我國水環境風險管理進展、挑戰與戰略對策研究[J].環境科學研究，2021，34（7）：1532-1541.

FU Z Y, ZHANG Y S, FENG C L, et al.Progress, challenge and strategic countermeasures of Chinese pollution risk management of water environment[J].Research of Environmental Sciences，2021，34（7）：1532-1541.

［9］HOGE F E，VODACEK A，SWIFT R N，et al. Inherent optical properties of the ocean: retrieval of the absorption coefficient of chromophoric dissolved organic matter from airborne laser spectral fluorescence measurements[J]. Applied Optics，1995，34(30)：7032.

［10］ZARCO-TEJADA P J, PUSHNIK J C, DOBROWSKI S, et al.Steady-state chlorophyll-a fluorescence detection from canopy derivative reflectance and double-peak red-edge effects[J].Remote Sensing of Environment，2003，84（2）：283-294.

［11］HU C M，HACKETT K E，CALLAHAN M K，et al. The 2002 ocean color anomaly in the Florida Bight: a cause of local coral reef decline?[J]. Geophysical Research Letters，2003，30(3)：1151.

［12］KUTSER T, PAAVEL B, VERPOORTER C, et al.Remote sensing of black lakes and using 810 nm reflectance peak for retrieving water quality parameters of optically complex waters[J].Remote Sensing，2016，8（6）：497.

［13］DUAN H T, MA R H, LOISELLE S A, et al.Optical characterization of black water blooms in eutrophic waters[J].Science of the Total Environment，2014，482/483：174-183.

［14］ZHAO J, HU C M, LAPOINTE B, et al.Satellite-observed black water events off southwest Florida: implications for coral reef health in the Florida keys national marine sanctuary[J].Remote Sensing，2013，5（1）：415-431.

［15］FEYISA G L, MEILBY H, FENSHOLT R, et al.Automated water extraction index: a new technique for surface water mapping using Landsat imagery[J].Remote Sensing of Environment，2014，140：23-35.

［16］XU H Q.Modification of normalised difference water index(NDWI) to enhance open water features in remotely sensed imagery[J].International Journal of Remote Sensing，2006，27（14）：3025-3033.

［17］MCFEETERS S K.The use of the normalized difference water index (NDWI) in the delineation of open water features[J].International Journal of Remote Sensing，1996，17（7）：1425-1432.

［18］HARVEY E T, KRATZER S, PHILIPSON P.Satellite-based water quality monitoring for improved spatial and temporal retrieval of chlorophyll-a in coastal waters[J].Remote Sensing of Environment，2015，158：417-430.

［19］PRIYAA S S, S R, G A R.Retrieval of water quality parameters of South Andaman coral Islands using remotely operated underwater vehicle[J].Water Science，2019，33（1）：105-117.

［20］ZHANG Y Z, PULLIAINEN J T, KOPONEN S S, et al.Water quality retrievals from combined Landsat TM data and ERS-2 SAR data in the Gulf of Finland[J].IEEE Transactions on Geoscience and Remote Sensing，2003，41（3）：622-629.

［21］KIYOFUJI H, HOKIMOTO T, SAITOH S I.Predicting the spatiotemporal chlorophyll-a distribution in the sea of Japan based on SeaWiFS ocean color satellite data[J].IEEE Geoscience and Remote Sensing Letters，2006，3（2）：212-216.

［22］DUAN H T, MA R H, XU X F, et al.Two-decade reconstruction of algal blooms in China's Lake Taihu[J].Environmental Science& Technology，2009，43（10）：3522-3528.

［23］DEKKER A G,PETERS S W M.The use of the thematic mapper for the analysis of eutrophic lakes:a case study in the Netherlands[J]. International Journal of Remote Sensing,1993,14(5):799-821.

［24］ 趙冉, 胡啟后, 孫中平, 等.天地一體化遙感監測大氣污染技術進展[J].環境科學研究，2021，34（1）：28-40.

ZHAO R, HU Q H, SUN Z P, et al.Review of space and ground integrated remote sensing for air pollutants[J].Research of Environmental Sciences，2021，34（1）：28-40.

［25］ 姚月, 申茜, 朱利, 等.高分二號的沈陽市黑臭水體遙感識別[J].遙感學報，2019，23（2）：230-242.

YAO Y, SHEN Q, ZHU L, et al.Remote sensing identification of urban black-odor water bodies in Shenyang City based on GF-2 image[J].Journal of Remote Sensing，2019，23（2）：230-242.

［26］ 李佳琦, 李家國, 朱利, 等.太原市黑臭水體遙感識別與地面驗證[J].遙感學報，2019，23（4）：773-784.

LI J Q, LI J G, ZHU L, et al.Remote sensing identification and validation of urban black and odorous water in Taiyuan City[J].Journal of Remote Sensing，2019，23（4）：773-784.

［27］ 曹紅業. 中國典型城市黑臭水體光學特性分析及遙感識別模型研究[D]. 成都: 西南交通大學, 2017.

［28］HE W Q，CHEN S，LIU X H，et al. Water quality monitoring in a slightly-polluted inland water body through remote sensing: case study of the Guanting Reservoir in Beijing, China[J]. Frontiers of Environmental Science & Engineering in China，2008，2(2)：163-171.

［29］ 溫爽,王橋,李云梅,等.基于高分影像的城市黑臭水體遙感識別:以南京為例[J].環境科學,2018,39(1):57-67.

WEN S，WANG Q，LI Y M，et al.Remote sensing identification of urban black-odor water bodies based on high-resolution images：a case study in Nanjing[J].Environmental Science，2018，39(1)：57-67.

［30］LIU J M, ZHANG Y J, YUAN D, et al.Empirical estimation of total nitrogen and total phosphorus concentration of urban water bodies in China using high resolution IKONOS multispectral imagery[J].Water，2015，7（11）：6551-6573.

［31］ 董婧, 盧少奇, 伍娟麗, 等. 基于微生物完整性指數的北京市城市河道生態系統健康評價[J]. 環境工程技術學報, 2021. doi:11.5972.X.20211105.1642.006.

DONG J, LU S Q, WU J L, et al. Health evaluation of urban river in Beijing based on microbiome index of biotic integrity[J].Journal of Environmental Engineering Technology, 2021. doi:11.5972.X.20211105.1642.006.

［32］ 國家環境保護總局, 水和廢水監測分析方法編委會. 水和廢水監測分析方法[M]. 4版. 北京: 中國環境科學出版社, 2002.

［33］ 張海東. 基于MERIS數據的內陸湖泊葉綠素a濃度反演研究: 以鄱陽湖為例[D]. 武漢: 華中師范大學, 2016.

［34］ 汪小勇, 唐軍武, 李銅基, 等.水面之上法測量水體光譜的關鍵技術[J].海洋技術，2012，31（1）：72-76.

WANG X Y, TANG J W, LI T J, et al.Key technologies of water spectra measurements with above-water method[J].Ocean Technology，2012，31（1）：72-76.

［35］MOBLEY C D.Estimation of the remote-sensing reflectance from above-surface measurements[J]. Applied Optics，1999，38(36)：7442-7455.

［36］MOREL A, PRIEUR L.Analysis of variations in ocean color1[J].Limnology and Oceanography，1977，22（4）：709-722.

［37］RUFFIN C, KING R L, YOUNAN N H.A combined derivative spectroscopy and savitzky-golay filtering method for the analysis of hyperspectral data[J].GIScience & Remote Sensing，2008，45（1）：1-15.

［38］ 王橋. 太湖水體環境遙感監測試驗及其軟件實現[M]. 北京：科學出版社, 2008.

［39］ 張玲. 基于遙感衛星影像技術的城市黑臭水體識別原理及精度評價方法[J]. 中阿科技論壇，2020(7)：151-153.

ZHANG L. Urban black and odorous water recognition principle and accuracy evaluation method based on remote sensing satellite image[J]. China-Arab States Science and Technology Forum，2020(7)：151-153.

［40］ 姚煥玫，盧燕南，龔祝清. 基于PlanetScope影像的廣西欽州市黑臭水體識別方法研究[J]. 環境工程，2019，37(10)：35-43.

Yao H M，Lu Y N，Gong Z Q. Remote sensing identification of urban black and odorous water body based on planetscope images：a case study in Qinzhou, Guangxi[J]. Environmental Engineering，2019，37(10)：35-43.

［41］DALL'OLMO G, GITELSON A A.Effect of bio-optical parameter variability on the remote estimation of chlorophyll-a concentration in turbid productive waters: experimental results[J].Applied Optics，2005，44（3）：412-422.

［42］ 申茜, 張兵, 李俊生, 等.太湖水體反射率的光譜特征波長分析[J].光譜學與光譜分析，2011，31（7）：1892-1897.

SHEN Q, ZHANG B, LI J S, et al.Characteristic wavelengths analysis for remote sensing reflectance on water surface in Taihu Lake[J].Spectroscopy and Spectral Analysis，2011，31（7）：1892-1897.

［43］ 何磊. 基于實測光譜的昆承湖水質遙感模型及反演[D]. 成都:成都理工大學, 2010.

［44］ 葛大兵, 吳小玲, 朱偉林, 等.岳陽南湖葉綠素a及其水質關系分析[J].中國環境監測，2005，21（4）：69-71.

GE D B, WU X L, ZHU W L, et al.Chlorophyll-a and its relationship with water quality in Southlake, Yueyang City[J].Environmental Monitoring in China，2005，21（4）：69-71.

［45］ 陳述彭, 趙英時. 遙感地學分析[M]. 北京: 測繪出版社, 1990.

［46］ 周冠華, 唐軍武, 田國良, 等.內陸水質遙感不確定性: 問題綜述[J].地球科學進展，2009，24（2）：150-158.

ZHOU G H, TANG J W, TIAN G L, et al.Uncertainty analysis of inland water quality remote sensing: a review[J].Advances in Earth Science，2009，24（2）：150-158.

［47］ 李晨，崔寧博，馮禹，等. 四川省不同區域參考作物蒸散量計算方法的適用性評價[J]. 農業工程學報，2016，32(4)：127-134.

LI C，CUI N B，FENG Y，et al. Adaptation evaluation for reference evapotranspiration methods in different regions of Sichuan[J]. Transactions of the Chinese Society of Agricultural Engineering，2016，32(4)：127-134.

［48］ 張雪，賴積保，李家國，等. 基于高分一號影像的深圳市黑臭水體遙感識別[J]. 科學技術與工程，2019，19(4)：268-274.

ZHANG X，LAI J B，LI J G，et al. Remote sensing recognition of black-odor waterbodies in Shenzhen city based on GF-1 satellite[J].Science Technology and Engineering，2019，19(4)：268-274.