無人機高光譜在城市水質環境監測應用中反演模型構建的研究

丁奕文

（上海元易勘測設計有限公司,上海 201210）

近十年來,我國的城市水質環境治理修復工作取得了階段性成果,推動城市水質污染防治成為下一步工作重點,而其中如何高效地進行城市水質常態化環境監測是污染防治的基礎所在[1]。我國的城市水質環境河流眾多、水網交錯、大多數城市河流寬度不超過百米,以中小河道為主。對于這些像毛細血管一樣分布的城市中小河道,受限于岸站式自動監測站的成本投入和遙感光譜技術的時空分辨率,目前最常采用的水質環境監測方法仍然是斷面現場采樣、實驗室檢測的傳統方法為主,不僅費時費力,而且整片水域的水質狀況也無法得到真實反映[2]。同時,隨著數字化技術的不斷發展,國家大力倡導要建立和完善“天空陸?！币惑w化生態環境智能檢測網絡,單純依靠傳統的水質監測方法越來越難以滿足城市中小河流水質的監測需求。本文提出的無人機載高光譜技術區別于當前城市河道水質環境監測中傳統實驗室檢測技術,大大降低了水質環境監測人力和時間成本,同時獲取的水質反演數據,得以形成城市水質評估數字資產,大力推動了城市數字化轉型進程,增強了對生態環境的精準把控能力。

隨著無人機技術和高光譜遙感技術的不斷發展,當前大量的研究實踐均表明了無人機高光譜技術運用于水質環境監測的可行性,但在城市水質監測的應用仍停留在科研院所機構的零星試點研究階段,如何降低應用成本、提高反演結果準確性、優化水質反演模型仍是該技術現階段面臨的主要問題[3]。以課題組承擔的上海市水務局2022 年度科研課題為基礎,本文聚焦城市中小河道水質監測的要求,探究了無人機高光譜技術中水質光譜數反演模型構建中的關鍵技術,為該方法應用于城市水質監測提供了技術支撐。

1 研究內容

研究區域為上海浦東新區張家浜、崇明陳家鎮兩個區域,涉及12 條河道,采集的河道總長度超過27 km。兩塊研究區域均具備城市河道一定的典型性與代表性,存在局部污染情況,如居民區排污、農田污染等情況。同時研究區域河道兩岸可靠近采集水樣,河道及兩岸鄰近區域無明顯遮蔽,光線充足,適合無人機飛行及光譜數據傳輸。同時選取了“河長制”中規定需要監測的高錳酸鹽指數CODMn、總磷TP、氨氮NH3-N、溶解氧DO 四個地表水水質基本參數作為研究對象。

本文利用搭載高光譜裝置的無人機分別在兩個研究區域開展實地飛行和采集高光譜數據工作,同步在地面河道開展地表水水樣采集工作,并送實驗室采用《地表水環境質量標準》（GB 3838-2002）中規定的分析方法進行檢測,兩次實驗中共獲取約334 GB 的高光譜原始數據量,采集104 個點位的地表水水樣。

2 水質參數實驗室檢測結果分析

采集的地表水水樣中各水質基本參數的實驗室檢測結果見表1。

表1 水樣各參數檢測結果統計 單位：mg/L

為進一步分析掌握區域內各個水質參數的分布情況,對采集的104 個水樣的4 個水質基本參數的實驗室檢測結果進行了核密度分布分析,以直觀顯示該參數在不同濃度限值下的出現概率,結果見圖1。

圖1 各水質參數核密度分布圖

對比《地表水環境質量標準》（GB 3838-2002）中地表水環境質量標準基本項目標準限值,本次研究區域內的4 個水質參數,絕大多數水樣污染物含量均滿足Ⅲ類水限值標準,除一個樣品的氨氮濃度達到了Ⅴ類水限值標準,其余全部樣品均未超過Ⅳ類水限值標準,這一結果與該區域內日常環境監測數據基本吻合,數據具有代表性。再同步獲取了這4 個水質參數相應點位對應的光譜數據,即可進行高光譜敏感波段的選擇和反演模型的構建。

3 光譜特征與目標水質指標的反演模型構建

反演模型構建是本次研究工作的重點和難點,需要綜合實際需求、區域環境、季節等實際情況對遙感數據與目標水質參數之間的敏感性進行分析,從而構建光譜特征與目標水質參數的反演模型,實現水質反演分析[4]。

3.1 水質參數相關性分析

在構建光譜特征與水質相關指標的關系模型前,首先要明確各目標參數之間的相互關系,進而分析其作用機制,從而為光譜特征與水質相關指標的關系模型提供依據。圖2 以氨氮為例,對氨氮與其他三個水質參數數據之間進行線性回歸分析。

圖2 氨氮與其他水質參數之間相關性分析

從圖2 可以看出,氨氮與總磷的線性回歸關系方程為：Y=0.0741x+0.0607,R2=0.2562,相關系數為0.51。從散點圖中可以看出,氨氮值在0～0.5 mg/L 的Ⅰ類水限值區間內時,總磷值也基本保持在Ⅰ類水限值0.1 mg/L 以下,當總磷含量的升高時,水體富營養化導致藻類的大量繁殖,氨氮濃度相應升高,氨氮和總磷會表現出一定的正相關性,從而可將二者視為一個整體進行光譜特征選擇和建立關系模型。其他水質參數之間相關系數計算結果見表2,可以看出其他水質參數之間的相關系數較小,應分為三種類型進行單獨分析。

3.2 水質參數對應特征波段的選擇

研究表明,高光譜技術中采用單個特征波段光譜,其反射率與各水質參數之間的相關性不高,難以直接構建關系模型,普遍采用多個波段組合、波段比值的形式來構建光譜特征與水質相關指標的關系模型。通過計算各水質參數與單波段反射率之間的相關性,本文選擇如下波段作為4 個水質參數的特征波段光譜,見表3。

表3 水質參數對應特征波段

3.3 反演模型構建

近年來越來越多的智能算法被應用于水質反演研究中,此類算法在解決水質參數反演及水質評價領域中的非線性問題具有優勢。本文根據采樣點坐標,提取現場水樣相應的水質參數實驗室檢測濃度與特征波段光譜采樣值,確定水質因子對應的特征波段。利用雙變量相關性分析,用線性、多項式、對數、指數等多種算法,得到每個水質參數與多個波段的相關性情況,比較模型間的平均絕對誤差和相對誤差,選取相關系數最優的公式,即構建出光譜特征與目標水質指標的關系模型。累積多次采集的高光譜反演數據作為訓練數據集,結合歷史采樣化驗數據及其空間分布關系作為真值,利用深度學習等方法,求取最優解,訓練人工智能模型以提高特定流域識別效率和準確性的優勢。最終得出4 個水質參數的高光譜反射率與濃度的反演公式,以溶解氧反演公式為例：

式中：a、b、c、d為常數參數；x1是波長650 nm 的反射率R650；x2是波長540 nm 的反射率R540；x3是波長580 nm 的反射率R580。

3.4 隨機森林算法優化建模

為進一步分析優化在模型中引入了隨機選擇屬性,采取隨機森林算法對反演模型進行優化,隨機森林算法的核心在于將樣本庫隨機分為若干個決策組,每組樣本庫數據又分為兩部分；一部分為計算組,另一部分為檢驗組,然后對每組計算效果進行評價,選出最優計算結果。以崇明陳家鎮區域的溶解氧數據為例：本次無人機載高光譜應用研究,將所有水樣采集點作為樣本庫,2/3 樣本庫數據作為計算組,1/3 樣本庫數據作為檢驗組,以崇明陳家鎮工程示范數據為例,樣本庫為72 個,其中計算組為48 個、驗證組為24 個,隨機分了5 個決策組?，F對未引入隨機森林算法,以72 個樣本均作為算法模型計算數據的反演情況和引入隨機算法的結果進行對比,見表4。

表4 實驗檢測數據、引入隨機森林反演前后數據

經計算,將崇明陳家鎮區域所有水樣數據整體參加反演擬合,反演準確率為74.8%；引入隨機森林算法反演后,反演準確率為87.8%。

4 城市水環境監測應用成果分析與評價

基于前文的高光譜預處理和反演模型構建的關鍵技術,對本次采集的高光譜原始數據進行反演。本節以崇明島陳家鎮朱雀河為例,對本次無人機高光譜在城市水環境監測的應用成果加以分析與評價。

4.1 水質反演數據分析與評價

朱雀河為東西走向,位于崇明島陳家鎮實驗區域南側,本次實驗采集河道長度3.5 km。根據《地表水環境質量標準》（GB 3838-2002）的水質等級判定標準,對所得的水質反演數據進行分類統計,得出各個水質參數的水質等級。朱雀河水質反演數據概況及各等級的樣本占比和數量見表5。

表5 朱雀河反演數據分析統計表

根據反演結果,朱雀河的總磷整體符合Ⅱ類水限值標準,溶解氧、高錳酸鹽指數、氨氮整體符合Ⅲ類水限值標準。再根據各水質參數中最差等級確定當前水體整體所處的水質的等級,朱雀河符合Ⅲ類水限值標準。通過與同步采集水樣實驗化驗數據對比,該結論具有一定可靠性。

4.2 水質反演數據熱力圖

熱力圖見圖3。

圖3 朱雀河反演數據熱力圖

從圖3 中可以直觀看出,在本次數據采集的河道中段區域,各水質參數濃度明顯升高,疑似污染點位于河流交匯口處,由此推測,此支流的匯入對該段河流的污染影響較大。

5 結論

本文探究了無人機高光譜技術中水質光譜反演模型構建中的關鍵技術,最終結果表明,無人機高光譜技術在城市中小河流水質監測的應用反演結果整體變化趨勢較好,數據具備一定的準確性,尤其在疑似污染點位的發現上具有極大優勢,具有推廣和應用價值。