基于無人機多光譜影像的海口市美舍河鳳翔濕地公園水體葉綠素反演

潘小艷 張樂 李苑菱 雷金睿 陳宗鑄 陳小花

[1. 海南省林業科學研究院（海南省紅樹林研究院） 海南海口 571100；2. 海口市濕地保護工程技術研究開發中心 海南海口 571100；3. 海南大學林學院 海南海口 570028]

近年來，城市化步伐加快，水污染問題日益惡化，已成為制約城市可持續發展的因素之一[1]。海南島大小河流眾多，水資源非常豐富，水資源安全是海南島建設國家生態文明試驗區的重要內容之一。海口市美舍河是橫穿海口市中心的一條重要河流，沿岸人口眾多。河流水質情況是評價當地生態狀況的重要指標，與沿岸居民的生產生活用水安全息息相關。近年來有研究表明，美舍河水體已處于中度污染狀態[2]，因此對水體水質進行定期監測，掌握水體水質情況十分必要，這也是改善和保護水資源的重要前提。

傳統的水質監測采用化學法進行，需要在實地布設采樣點并采取水體樣本，后進行實驗室分析，此方法需要花費大量的人力、物力及時間，且獲得的數據在時間和空間上都難以連續，不能全面反映水體的實際情況，局限性明顯。遙感技術具有低成本、速度快、監測范圍廣、資料同步性強等優點，彌補了傳統水質監測方法的不足，已經被廣泛使用于水質監測[3]。例如，Torbick等[4]在密歇根州下半島內陸湖泊的調查研究中，采用Landsat TM影像數據反演了研究區域的水體透明度（SD）等多個水質參數。陳艷等[5]基于Landsat影像反演了草海2000、2005、2010、2015年的葉綠素（CHL）、總氮（TN）等5個水質參數，為草海的有效管控提供科學支持。然而，由于遙感影像分辨率有限，雖目前在大面積水域監測中應用較廣泛，卻難以滿足小范圍的水質監測要求，所以小微水域的監測方法還需進一步探索。

無人機遙感技術操作簡單方便、具有低成本、高分辨率、空間連續性強等優勢，為解決小微水域的水質監測提供了新途徑。趙松等[6]利用無人機搭載多光譜傳感器獲取了滏陽河的影像數據，對滏陽河的水質進行了遙感反演，建立了懸浮物濃度（TSS）、濁度（TUB）、氨氮（NH3-N）等6個水質參數的反演模型，揭示了滏陽河水質參數的分布特征。劉彥君等[7]結合無人機多光譜數據和水質參數的實測值反演了浙江農林大學東湖的總磷（TP）等3種水質要素，為東湖水體的治理奠定了基礎。黃昕晰等[8]利用無人機多光譜影像和 OPT-MPP算法對浙江省杭州市青山湖進行了研究，監測了懸浮物、濁度等多個水質參數并建立反演模型，探明了青山湖水質參數的空間分布。上述說明已有部分學者將無人機遙感技術用于小微水域的水質監測，雖然還處于探索階段，但已逐漸成為當前水質監測研究的熱點領域[6]。

本研究以海南省海口市美舍河鳳翔濕地公園為研究對象，利用無人機遙感技術獲取研究區域高分辨率的多光譜影像，結合實地調查的水體樣本數據，構建葉綠素（CHL）的反演模型，以期為下一步繪制美舍河鳳翔濕地公園水質參數空間分布圖、實現水質參數空間可視化奠定基礎，同時為美舍河水體的治理、保護和利用提供科學的參考依據。

1 材料與方法

1.1 材料

研究以海口市美舍河鳳翔濕地公園作為研究區域，在濕地公園內的美舍河流段采取水體樣本進行研究。美舍河是海口市最長的河流，全長23.86 km，流域面積50.16萬km2，流經海口市內的美蘭區、瓊山區及龍華區，沿線居民人數達33萬，除河流上游外，河流的中、下游主要位于主城區，受到污水直排和底泥污染的影響，水體質量較差[2]。而美舍河鳳翔濕地公園位于美舍河中游，占地面積78.52 hm2，河中生長著一些常見的水生動物和植物，河流沿線皆為開放的活動區域，來往的行人車輛較多，在一定時期內水域環境會發生相應變化，符合小微水域的環境組成標準。

1.2 方法

1.2.1 水質樣本的采集及處理 研究于 2021年11月 30日采用杯式定深水質取樣器統一在水面下20 cm左右獲取水質樣本，每個樣本取500 mL裝入無菌水樣采集袋，在開展地面水樣采集的同時，用高精度RTK記錄采樣點坐標，并依據采樣點次序依次做好標記，以備檢測。研究僅在岸邊布設采樣點，單次實驗采樣點99個。實驗區域及樣點分布圖如圖1所示。樣本采集完成后，送至海南大學分析測試中心檢測葉綠素（CHL），共獲得99組實測數據，在其中隨機選擇79組數據用于構建模型，剩下的20組數據用于檢驗模型。

圖1 實驗區域與采樣點分布圖

1.2.2 無人機多光譜數據的獲取 與水質采樣同一時間，采用大疆精靈4多光譜版（P4_Multispectral）無人機，利用其搭載Mica Sense Red Edge五通道多光譜傳感器對研究區域進行監測，以獲取高分辨率的多光譜影像數據，該傳感器能夠提供 5個光譜帶的數據，在下文中分別描述為R1～R5。其中，R1為 Blue（0.450～0.515 μm）、R2為Green （0.525～0.605 μm）、R3為 Red（0.630～0.690 μm）、R4為 Red edge position（0.670～0.760 μm）、R5為 NIR（0.770～0.890 μm）。由于海口市對空域的飛行高度有限制，所以將無人機的飛行高度統一設置為120 m，飛行速度為5 m/s，選擇晴朗無風、視野較好的時間段進行。圖2為研究過程中無人機拍攝的美舍河鳳翔濕地公園采樣點上方5個光譜帶的多光譜影像。

圖2 水面多光譜影像

1.2.3 多光譜數據處理 以采樣點為中心分別建立 6×6（PPI）矩陣，以此作為 ROI感興趣區域（Region of Interest，ROI），并以ROI區域內所有點的光譜反射率的平均值作為樣點的光譜反射率數據。研究共獲得99組光譜反射率數據，分別與水質參數的實測值一一對應，在其中隨機選擇79組數據用于構建模型，剩下的20組數據用于檢驗模型。

1.2.4 光譜參數的選擇與建模 對以往的水質要素反演研究中所采用的組合計算公式進行了篩選，篩選出水質參數 CHL的敏感波段及波段組合，得到表1中的光譜參數和組合計算公式[7,9-11]。在進行 Pearson相關性分析后篩選出光譜參數，使用 SPSS軟件構建線性回歸函數模型、指數函數模型、冪函數模型、多項式函數模型4種水質參素反演模型，在下文中分別記為U、E、P、PL。將最終選擇的光譜數據和實驗室檢測所得數據進行擬合，分別生成相應模型，并根據 Fabio等的方法，選擇出最優模型進行預測[12]。

表1 光譜參數和組合計算公式

2 結果與分析

2.1 水質參數反演數據相關性分析

將采樣測得的 CHL值與構建的光譜參數（V1～V16）進行Pearson相關性分析，得出皮爾森相關系數。r描述的是2個變量間線性相關強弱的程度，r的絕對值越大表明相關性越強。研究在美舍河鳳翔濕地公園采集 99份樣本（n=99），在相關性分析的基礎上，選擇 CHL指標所對應的若干顯著水平p＜0.05，且符合統計學要求的光譜參數數據進行下一步分析，結果如表 2所示。符合 CHL要求的光譜參數分別有 V1、V2、V3、V4、V5、V7、V8、V10、V12、V13共10組。

表2 光譜參數與葉綠素（CHL）濃度的相關系數

2.2 水質參數反演參數選擇

由于風速、光照、飛行速度等客觀因素的影響，所獲取的數據中往往會存在部分異常數據，從而導致數據整體的相關性不足。因此，基于統計學要求繪制相關性達標數據的散點圖，再根據散點圖顯示的結果，去除異常數據。在99組數據中隨機抽取20組用于檢驗，剩余的79組實測數據以光譜參數為自變量，對應的葉綠素含量為因變量，繪制散點圖并添加線性趨勢線，根據趨勢線的R2判斷相關性達標數據中最適用于擬合的數據。圖3所示為趨勢線R2的11個光譜參數數據，其中，光譜參數V2和V3的趨勢線R2值最高，R2CHL-V2=0.079 4、R2CHL-V3=0.072 2。根據趨勢線分別去除異常數據，剩余樣本數為n=50。

圖3 葉綠素（CHL）顯著性達標數據散點圖

2.3 水質參數反演模型的構建

將剩余樣本的最優光譜參數作為自變量，與其對應的水質參數作為因變量，使用 SPSS軟件分別建立U、E、P、PL四種函數模型。按采樣點依次輸入處理過的光譜數據，并結合各個樣點的水質參數實測值，分別生成4種模型，再根據模型的相關評價標準選出最優模型進行預測。

CHL以光譜參數V2、V3作為自變量，相應的 CHL含量作為因變量。分別構建 U、E、P、PL四種函數模型，共構建8個模型。通過擬合方程的決定系數R2、均方根誤差（RMSE）、回歸方程的斜率以及平均相對誤差評價模型的估測能力和精度，通常R2及擬合方程的斜率越接近于1，RMSE與平均相對誤差越小，模型的精度越高。CHL反演模型如表3所示，對應模型的擬合結果如圖4所示。

圖4 葉綠素（CHL）反演模型擬合圖

表3 葉綠素（CHL）反演模型

依據上述圖表，按模型決定系數R2由大至小進行排序，CHL反演模型前4個依次為UCHL-V3、PLCHL-V3、ECHL-V3、UCHL-V2，決定系數R2分別為0.669、0.662、0.660及0.626，模型整體精度較高。結合RMSE可看出，光譜參數V3更適合CHL模型的擬合，且V3在指數函數反演模型（ECHL-V3）中的擬合效果相對更好，RMSE僅為0.208，擬合曲線的變化趨勢呈現為隨著光譜反射率的增大，CHL含量不斷減小。

2.4 水質參數反演模型的檢驗

由表3及圖4可看出，在構建的8個反演模型中，決定系數R2的差距較小，因此要在進行多光譜圖像反演之前對上述模型進行檢驗，檢驗結果將會影響反演所用模型的選擇。利用之前預留的 20個檢驗樣本的水質參數實測值和各個模型的估測值進行擬合分析，通過擬合方程的決定系數R2、回歸方程斜率的對比狀況進行比較分析，檢驗結果如表4所示。

回歸結果中R2值和回歸斜率值越接近1，表明估測經過越精確。由表4可看出，模型的整體估測精度較高且相差不大，前4個R2值由大至小的模型依次是 ECHL-V3、PCHL-V3、PLCHL-V3、UCHL-V3，R2值分別為 0.870 9、0.869 0、0.860 1、0.857 0，回歸斜率分別為 0.907 4、0.910 2、0.835 6、0.816 8，皆符合無人機遙感技術反演水質參數的模型檢驗精度要求，且檢驗精度最高的模型為指數函數模型（ECHL-V3），與上述模型構建中取得的最優模型一致。

表4 葉綠素（CHL）估測模型精度檢驗

3 討論與結論

3.1 討論

衛星遙感技術在水質參數反演中的應用基本成熟，在反演手段和模型精度上皆取得了明顯進步，但受影像分辨率的限制，衛星遙感技術只適用于大面積水域的水質參數反演，不適用于小微水域[13]。本研究基于衛星遙感技術選擇適用于水質要素反演的波段信息，利用無人機搭載多光譜傳感器獲取研究區域上方的高分辨率遙感影像，結合實地調查數據，建立了精度較高的反演模型，為城市水體監測提供了全新的技術手段，也為美舍河的水體治理及保護提供了及時、可靠的空間數據。

在研究過程中發現，在選擇出相關性高的光譜參數后，用所有建模數據（n=79）來建模，所獲得的模型精度難以達到水質參數反演的模型精度要求，在除去異常數據后（n=50），才可建立較高精度的反演模型。對于水質參數的反演，沒有統一的標準模型，不同的研究區域、多光譜傳感器、無人機飛行高度及速度、季節、水質監測儀器及方法等，皆會影響光譜反射率信息及水體樣本的檢測結果。

上述理論研究及實驗驗證皆表明，使用無人機遙感技術來反演小微水域的水質參數是可行的。但研究也存在一些需要改進的地方：（1）無人機所獲取的多光譜影像還需進行更加深入的研究，進一步探討圖像數據的光譜反射率特征，建立精度更高的水質反演模型；（2）在拼接研究區光譜影像數據時，由于水面中央無特征參照點，導致水域中央光譜數據無法拼接，研究區域的光譜樣點不均勻，可能會使模型精度存在一定偏差，后續研究需進一步優化實驗方案。

3.2 結論

研究獲取了海口市美舍河鳳翔濕地公園的水體樣本數據及多光譜影像，基于16個不同的光譜參數及對應的實測值進行了相關性分析，根據相關性分析結果在參數選擇分析中篩選出R2值最高的2個光譜參數，通過SPSS軟件構建光譜參數與水質參數的反演模型并對模型進行檢驗。研究發現，光譜參數 V3最適合用于美舍河鳳翔濕地公園CHL的反演，在反演模型構建中指數函數反演模型（ECHL-V3）的擬合精度最高，R2=0.660，RMSE=0.208，符合模型構建精度要求。經檢驗，指數函數反演模型（ECHL-V3）的R2值為0.870 9，回歸斜率為0.907 4，符合模型精度檢驗要求。所以研究選擇指數函數反演模型（ECHL-V3）作為最優模型用于后續測繪水質參數空間分布圖。