基于SSA-BP-SVM模型的云龍湖水質(zhì)反演研究

摘要利用遙感技術(shù)進(jìn)行水質(zhì)監(jiān)測，全面地掌握水質(zhì)分布情況對水環(huán)境保護(hù)具有重要意義．水質(zhì)參數(shù)與地表反射率并非簡單的線性關(guān)系，BP神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)（SVM），因其非線性模擬的特點(diǎn)，被廣泛應(yīng)用于水質(zhì)反演．傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)存在收斂緩慢、容易陷入局部最優(yōu)的問題;SVM雖然具有很好的擬合能力，但受懲罰系數(shù)及核函數(shù)參數(shù)影響較大．以云龍湖為研究區(qū)域，利用Sentinel-2影像和實(shí)測數(shù)據(jù)，針對重要水質(zhì)參數(shù)電導(dǎo)率和濁度，提出一種基于麻雀搜索算法（SSA）優(yōu)化BP神經(jīng)網(wǎng)絡(luò)及SVM的水質(zhì)反演耦合模型，利用SSA對BP神經(jīng)網(wǎng)絡(luò)及SVM進(jìn)行參數(shù)尋優(yōu)，基于驗(yàn)證集MAE計算模型權(quán)重，對SSA-BP、SSA-SVM模型測試組輸出層加權(quán)計算后獲得最終反演結(jié)果．與BPNN、SVM、SSA-BP、SSA-SVM模型對比，結(jié)果表明：1）Sentinel-2影像對電導(dǎo)率及濁度的敏感波段均為可見光及短波紅外波段;2）SSA-BP-SVM水質(zhì)反演耦合模型精度更高，電導(dǎo)率及濁度反演模型R2分別為0.92、0.89;3）云龍湖具有典型的城市水體特征，電導(dǎo)率受上游南望凈水廠排水影響較大，濁度受社會生產(chǎn)活動帶來的顆粒污染物影響較大．基于Sentinel-2影像利用SSA-BP-SVM模型進(jìn)行水質(zhì)反演具有較好的應(yīng)用潛力，能夠?yàn)樵讫埡|(zhì)監(jiān)測以及制定保護(hù)措施提供一定的技術(shù)支撐．

關(guān)鍵詞BP神經(jīng)網(wǎng)絡(luò);支持向量機(jī);麻雀搜索算法;電導(dǎo)率;濁度

中圖分類號X87;TP181;TP751

文獻(xiàn)標(biāo)志碼A

0引言

云龍湖是一座以城市防洪為主，兼顧灌溉、養(yǎng)殖、景觀、旅游開發(fā)等綜合利用的中型水庫，位于江蘇省徐州市泉山區(qū)，是徐州市重要的國家5A級旅游景區(qū)和省級風(fēng)景名勝區(qū)．云龍湖的水質(zhì)不僅關(guān)系到城市景觀水環(huán)境質(zhì)量，也關(guān)系到城鎮(zhèn)飲用水源的安全．近年來，隨著社會經(jīng)濟(jì)的不斷發(fā)展，排入湖泊的營養(yǎng)物質(zhì)增多，水質(zhì)逐漸呈現(xiàn)富營養(yǎng)化趨勢，云龍湖周邊涉水生態(tài)敏感區(qū)的開發(fā)程度正在逐步提高，環(huán)境負(fù)荷也在不斷增加．因此，進(jìn)行準(zhǔn)確及時的水質(zhì)監(jiān)測對云龍湖水污染防治尤為重要．

傳統(tǒng)的水質(zhì)監(jiān)測一般以人工取樣分析為主，雖然能夠準(zhǔn)確地獲得多種目標(biāo)區(qū)域的水質(zhì)數(shù)據(jù)，但是耗費(fèi)大量人力物力，成本較高，且遇到特殊情況時人工取樣途徑受限，影響數(shù)據(jù)的完整性，如新冠肺炎疫情期間湖中部分區(qū)域時有缺測．同時，由于監(jiān)測點(diǎn)數(shù)量有限，人工監(jiān)測無法全面體現(xiàn)水質(zhì)分布趨勢．隨著衛(wèi)星遙感技術(shù)的快速發(fā)展，利用衛(wèi)星影像對湖泊水庫等水體進(jìn)行大范圍監(jiān)測已成為水質(zhì)分析的有效手段之一［1］．遙感技術(shù)由于其監(jiān)測范圍廣、周期性強(qiáng)及成本低的特點(diǎn)，被廣泛用于長序列水質(zhì)監(jiān)測，其中多光譜影像在水質(zhì)參數(shù)定量化研究中具有明顯的優(yōu)勢［2］．

國內(nèi)外水質(zhì)反演的方法主要分為經(jīng)驗(yàn)法、半經(jīng)驗(yàn)法、半分析法3種．利用遙感影像與實(shí)測水質(zhì)數(shù)據(jù)，通過統(tǒng)計回歸、神經(jīng)網(wǎng)絡(luò)等反演模型進(jìn)行水質(zhì)反演的方法被廣泛利用．Pan等［3］利用無人機(jī)機(jī)載高光譜成像儀對膠州灣典型海水養(yǎng)殖區(qū)進(jìn)行檢測和測量，選取海水水質(zhì)、葉綠素-a（Chl-a）濃度和總懸浮物（TSM）濃度等關(guān)鍵參數(shù)作為海水富營養(yǎng)化指標(biāo)，利用最優(yōu)敏感參數(shù)帶建立了膠州灣海水（JZBZ）高光譜反演模型．然而，由于水環(huán)境復(fù)雜，水質(zhì)往往受多種因素影響，并非簡單的線性過程，因此，非線性逼近能力較好的人工神經(jīng)網(wǎng)絡(luò)則在水質(zhì)反演方面具有很強(qiáng)的應(yīng)用前景．Niu等［4］使用深度學(xué)習(xí)來精確測量光學(xué)活性參數(shù)，例如Chl-a、藍(lán)藻和有色溶解有機(jī)物（CDOM）．Li等［5］基于Landsat 8影像和實(shí)測水質(zhì)數(shù)據(jù)，對支持向量機(jī)、隨機(jī)森林回歸、人工神經(jīng)網(wǎng)絡(luò)等多種機(jī)器學(xué)習(xí)算法進(jìn)行了對比分析，研究表明多光譜遙感和機(jī)器學(xué)習(xí)算法在熱帶大規(guī)模內(nèi)陸河流水質(zhì)反演中具有巨大潛力．Gogu等［6］針對水體含鹽量進(jìn)行了基于神經(jīng)網(wǎng)絡(luò)的反演，獲得了較好的反演效果．王喆等［7］利用ANN和隨機(jī)森林算法構(gòu)建了總氮及高錳酸鹽指數(shù)的反演模型，取得了較好的效果．李愛民等［8］利用卷積神經(jīng)網(wǎng)絡(luò)對天德湖 COD 濃度進(jìn)行了反演，通過卷積神經(jīng)網(wǎng)絡(luò)充分利用遙感影像的光譜特征，提取目標(biāo)像元周圍領(lǐng)域的信息，避免了傳統(tǒng)方法帶來的不穩(wěn)定性．Zhang等［9］基于Landsat-8影像利用卷積LSTM模型對山東省東平湖的多種水質(zhì)參數(shù)進(jìn)行了反演，證明了深度學(xué)習(xí)和遙感技術(shù)在水質(zhì)監(jiān)測系統(tǒng)中的實(shí)用性．城市水體由于開發(fā)程度較高，周邊環(huán)境較為復(fù)雜，對水質(zhì)的精確反演提出了更高的要求．

水質(zhì)反演的研究對象主要包括氨氮、總磷、總氮、葉綠素、COD、濁度、電導(dǎo)率等水質(zhì)參數(shù).濁度是對水透明程度的一種測定，可以表征水樣中因?yàn)榇罅咳庋劭梢姂腋∥镔|(zhì)而造成的混濁情形，是判斷水質(zhì)良好與否最直觀的感官性狀及物理指標(biāo)之一，也是水體可能受到污染的重要標(biāo)志．電導(dǎo)率指水樣中的無機(jī)鹽等可溶性溶質(zhì)的離子濃度，在固定溫度、電極條件下，電導(dǎo)率主要由水溶液中所含離子的總量決定，即與水溶液中所含可電離總鹽（鹽度）成正比．電導(dǎo)率在一定程度上能夠反映水中總磷、總氮、氨氮、COD等指標(biāo)的含量［10］，可以作為一項(xiàng)綜合反映水體健康狀況的早期指標(biāo)，起到“水質(zhì)紅綠燈”的作用．精確反演水體濁度、電導(dǎo)率對城市水污染防治及預(yù)警具有重要作用．

近年來，水色遙感技術(shù)［11-12］取得了很大的進(jìn)步，基于多光譜或高光譜數(shù)據(jù)利用經(jīng)驗(yàn)法和機(jī)器學(xué)習(xí)法構(gòu)建水體濁度反演模型被廣泛應(yīng)用［13］．李盈盈［14］基于MODIS-Aqua 傳感器 Rrc_859—Rrc_1240 反射率數(shù)據(jù)與觀測濁度數(shù)據(jù)，建立了濁度反演的修正指數(shù)模型，驗(yàn)證了BP神經(jīng)網(wǎng)絡(luò)方法在遼河口水濁度建模中的可靠性．周屈等［15］基于水色海洋 1C衛(wèi)星海岸帶成像儀數(shù)據(jù)，利用全局半經(jīng)驗(yàn)濁度反演算法建立了適用于武漢水體的濁度反演模型，取得了良好的效果．肖瀟等［13］利用河流水體濁度多光譜遙感聯(lián)合反演模型對漢江中下游典型河段進(jìn)行了濁度反演研究，評估了CM-BP濁度遙感反演模型適用性，也證明了綜合利用各種模型所提供的信息而構(gòu)建的聯(lián)合反演模型在模擬精度、模型穩(wěn)定性及擴(kuò)展性上較單一模型更具優(yōu)勢．

相較于濁度，雖然影響電導(dǎo)率的離子多為無色的、沒有顯著的光譜信息，但離子濃度變化必然伴隨著其他水體組分含量的變化［16］，進(jìn)而影響波段反射率．針對鹽度與波段反射率的相關(guān)性，前人做了較多的研究．Qing 等［17］對渤海鹽度（26.09～32.28）的研究表明，560 nm波段反射率與鹽度相關(guān)性最大，而490 nm次之．毛智慧等［18］以西藏錯鄂湖為例，基于Sentinel-2多光譜影像利用線性回歸的方法進(jìn)行了低鹽湖泊鹽度反演，表明不同鹽度水平會對反演結(jié)果產(chǎn)生影響，但對鹽度變化梯度有較為全面的采樣點(diǎn)覆蓋時，對低鹽湖泊同樣可獲得較高的反演精度．趙文杰等［19］利用徑向基神經(jīng)網(wǎng)絡(luò)建立RBF亮溫增量模型，基于 Meissner-Wentz 介電常數(shù)模型得到反演后的鹽度值，有效提高了反演精度．高明等［20］利用K折交叉驗(yàn)證法，構(gòu)建了深度神經(jīng)網(wǎng)絡(luò)（DNN）模型，對 SMOS 衛(wèi)星 L2 級數(shù)據(jù)進(jìn)行反演，精度優(yōu)于SMOS鹽度產(chǎn)品．

本文以云龍湖為研究區(qū)域，利用哨兵2號（Sentinel-2）影像和實(shí)測水質(zhì)數(shù)據(jù)對濁度、電導(dǎo)率兩項(xiàng)水質(zhì)參數(shù)指標(biāo)進(jìn)行反演．針對支持向量機(jī)（Support Vector Machine，SVM））受懲罰系數(shù)及核函數(shù)參數(shù)，以及BP神經(jīng)網(wǎng)絡(luò)受權(quán)值和閾值影響較大的不足［21］，提出一種利用麻雀搜索算法（Sparrow Search Algorithm，SSA）對SVM的懲罰系數(shù)、核函數(shù)參數(shù)及BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值同時進(jìn)行迭代尋優(yōu)的水質(zhì)反演耦合模型，建立SSA-BP-SVM模型，并對反演結(jié)果進(jìn)行了對比分析，以期為云龍湖區(qū)域利用哨兵2號影像進(jìn)行水質(zhì)監(jiān)測提供一定的理論支撐．

1研究區(qū)概況及數(shù)據(jù)源

1.1研究區(qū)概況

云龍湖位于江蘇省徐州市區(qū)西南部奎河上游，三面環(huán)山，一面臨城．徐州屬暖溫帶半濕潤季風(fēng)氣候，四季分明，冬季寒冷干燥，夏季高溫多雨．云龍湖以湖中路為界，東湖周長約8.1 km，西湖周長約7 km，全湖周長約12 km，水面面積約6 km2，集水面積60 km2，總庫容3 323萬m3，死水位為31.5 m，生態(tài)水位為32.00 m，湖底平均高程30.2 m，是典型的城市水體．根據(jù)近年來水質(zhì)監(jiān)測數(shù)據(jù)，云龍湖水質(zhì)總體呈輕度富營養(yǎng)狀態(tài)，且富營養(yǎng)水平呈上升趨勢．

1.2遙感數(shù)據(jù)及處理

哨兵2號是高分辨率多光譜成像衛(wèi)星，分為2A和2B兩顆衛(wèi)星．每5天可完成一次對地球赤道地區(qū)的完整成像，具有較高的時間分辨率．哨兵2A與2B衛(wèi)星的中心波長及光譜寬度均有所差異，如表1所示．本文采用的哨兵二號多光譜影像均為歐空局ESA數(shù)據(jù)分發(fā)系統(tǒng)提供的L2A級產(chǎn)品（https：／／scihub.copernicus.eu／），影像成像時間范圍為2021年1月至2023年4月，挑選了15景清晰無云質(zhì)量較好的影像．L2A級數(shù)據(jù)是經(jīng)過大氣校正后的地表反射率產(chǎn)品．影像預(yù)處理僅需要使用SNAP9.0軟件將各波段統(tǒng)一重采樣至10 m空間分辨率，重采樣之后，缺少了b10（短波紅外-卷云）波段，波段數(shù)由13降至12個．

1.3實(shí)測數(shù)據(jù)

本文實(shí)測數(shù)據(jù)來源于江蘇省水環(huán)境監(jiān)測中心徐州分中心，取樣組在東湖、西湖、小南湖均勻布設(shè)了14個監(jiān)測點(diǎn)位，并進(jìn)行每周1～2次的常態(tài)化取樣監(jiān)測，監(jiān)測點(diǎn)位分布如圖1所示．每周取樣時間根據(jù)Sentinel-2衛(wèi)星過境時間動態(tài)調(diào)整，水質(zhì)取樣組于衛(wèi)星過境當(dāng)天乘坐快艇根據(jù)GPS定位前往目標(biāo)區(qū)域進(jìn)行水質(zhì)取樣并進(jìn)行水樣分裝．濁度儀使用美國哈希公司生產(chǎn)的2100Q，精度為0.01 NTU;電導(dǎo)率儀使用上海精密科學(xué)儀器有限公司生產(chǎn)的DDS-307，精度為±1％．校準(zhǔn)儀器后進(jìn)行現(xiàn)場測定，并記錄數(shù)據(jù)．受限于疫情及取樣快艇等因素，部分取樣時間無法完全實(shí)現(xiàn)星地同步，但誤差有限．15次取樣合計獲取210個點(diǎn)位水質(zhì)數(shù)據(jù)．?dāng)?shù)據(jù)精度和準(zhǔn)確度均符合SL78-1994電導(dǎo)率的測定（電導(dǎo)儀法）、HJ 1075-2019水質(zhì)濁度的測定-濁度計法相關(guān)規(guī)定．

2研究方法

2.1相關(guān)性分析

遙感技術(shù)應(yīng)用于水質(zhì)參數(shù)濃度反演的原理是基于不同水質(zhì)參數(shù)在水體中的含量差別，會通過在遙感影像上的不同反射率表現(xiàn)出來．同時，不同參數(shù)對各波段的影響也是不同的．因此，通過選擇對水質(zhì)參數(shù)濃度變化比較敏感的水質(zhì)反演因子，可以提高水質(zhì)參數(shù)反演的精確度．本文利用皮爾森相關(guān)系數(shù)法［22］，對影像數(shù)據(jù)各波段及波段組合等水質(zhì)反演因子與實(shí)測水質(zhì)數(shù)據(jù)進(jìn)行相關(guān)性分析：

r=n∑ni=1XiYi-∑ni=1Xi∑ni=1Yin∑ni=1X2i-∑ni=1Xi2n∑ni=1Y2i-∑ni=1Yi2.（1）

式中：r為相關(guān)系數(shù)；n為樣本數(shù)目；X為水質(zhì)反演因子；Y為水質(zhì)參數(shù)．

各波段光譜值與水質(zhì)參數(shù)的相關(guān)性計算結(jié)果如圖2—4所示．

結(jié)果表明，Sentinel-2A／2B影像各波段與電導(dǎo)率、濁度均成正相關(guān)，敏感波段為可見光及短波紅外波段，相關(guān)系數(shù)明顯高于植被紅邊波段．為了提高水質(zhì)參數(shù)與反演因子的相關(guān)性，嘗試組合各波段數(shù)據(jù)并進(jìn)行相關(guān)性分析，波段組合包括四項(xiàng)運(yùn)算及NDWI（歸一化水體指數(shù)）、MNDWI（改進(jìn)型歸一化水體指數(shù)）、EWI（增強(qiáng)型水體指數(shù)）等常用的水體指數(shù)．因波段組合數(shù)量較多，僅展示其中相關(guān)系數(shù)較高的波段組合，如表2所示．

由表2可知，波段組合中僅（b8-b4）／（b8+b4）提升了與濁度的相關(guān)系數(shù)，因此，電導(dǎo)率及濁度可以直接利用單波段并結(jié)合（b8-b4）／（b8+b4）進(jìn)行反演．

2.2BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)［23］網(wǎng)絡(luò)架構(gòu)如圖5所示．傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值都是隨機(jī)產(chǎn)生的，然后通過梯度遞減的方法不斷修正．如果隨機(jī)到一個不好的初始權(quán)值，就會導(dǎo)致網(wǎng)絡(luò)的收斂變慢，而零梯度意味著達(dá)到局部最優(yōu)，迭代就會停止．因此，初始權(quán)值和閾值在很大程度上影響了神經(jīng)網(wǎng)絡(luò)的性能．

2.3支持向量機(jī)（SVM）

在支持向量機(jī)（Support Vector Machine，SVM）［24］中，懲罰系數(shù)C被用來表征模型泛化能力，核函數(shù)參數(shù)σ反映了訓(xùn)練數(shù)據(jù)分布特性．C 取值過小則易導(dǎo)致網(wǎng)絡(luò)欠擬合，訓(xùn)練樣本誤差大;C 取值過大則網(wǎng)絡(luò)過擬合，導(dǎo)致網(wǎng)絡(luò)泛化能力差．σ代表RBF帶寬，σ取值越小則擬合誤差越小，但過小的σ值會導(dǎo)致模型過擬合［25］．因此，確定最優(yōu)的懲罰系數(shù)C及核函數(shù)參數(shù)σ能夠提高SVM的擬合性能．

2.4SSA-BP-SVM耦合模型

近年來，群體智能優(yōu)化算法在各個研究領(lǐng)域被廣泛應(yīng)用，其主要特點(diǎn)是可以降低輸入的參數(shù)量，能夠進(jìn)行全局尋優(yōu)［26］．麻雀搜索算法（SSA）［27］受到麻雀覓食和反捕食的啟發(fā)，將麻雀集群劃分為生產(chǎn)者和乞討者，生產(chǎn)者有足夠的能力尋找食物，而沒有能力的則稱為乞討者，生產(chǎn)者負(fù)責(zé)尋找食物豐富的區(qū)域，乞討者跟隨生產(chǎn)者前往覓食區(qū)域．麻雀種群一旦發(fā)現(xiàn)捕食者，警報值大于安全閾值時，就集體做出反捕食行為．生產(chǎn)者位置更新如下：

Xt+1i，j=Xti，j exp-itmax，R2lt;TS；Xti，j+QL，R2≥TS.（2）

式中：t為迭代數(shù);j代表維度;tmax為最大迭代數(shù);Xij為第i個麻雀在第j維中的位置;α為0至1的隨機(jī)數(shù);R2為預(yù)警值，取值范圍為［0，1］;TS為安全值，取值范圍為［0.5，1］;Q為服從正態(tài)分布的隨機(jī)數(shù);L是一個1×d維矩陣．

加入者位置更新如下：

Xt+1i，j=Qexp-Xworst-Xti，ji2，igt;n2;Xt+1p+|Xti，j-Xt+1p |A+L，i≤n2.（3）

式中：Xp為目前生產(chǎn)者發(fā)現(xiàn)的最優(yōu)位置;Xworst為當(dāng)前全局最差位置;A是1×d維矩陣，每個元素隨機(jī)賦值1或者-1，A+=AT（AAT）-1．當(dāng)igt;n／2時，表明適應(yīng)度低的乞討者沒有獲得食物，需要前往其他地方覓食．假定意識到危險的麻雀占總量的10％～20％，隨機(jī)產(chǎn)生這些麻雀的位置，其位置更新如下：

Xt+1i，j=Xtbest+β|Xti，j-Xtbest |，figt;fg;Xti，j+K|Xti，j-Xtworst |（fi-fw）+ε，fi=fg.（4）

式中：Xbest為當(dāng)前全局最優(yōu)位置;β

為步長控制參數(shù)，服從均值為0、方差為1的正態(tài)分布隨機(jī)數(shù);K為隨機(jī)數(shù)，取值范圍為［0，1］;fi為麻雀的適應(yīng)度值，fg和fw分別為當(dāng)前全局最優(yōu)和最差的適應(yīng)度值;ε為常數(shù)．

基于SSA-BP-SVM神經(jīng)網(wǎng)絡(luò)進(jìn)行水質(zhì)反演模型建立的具體流程如下：

1）根據(jù)單波段及波段組合的皮爾森相關(guān)系數(shù)可知，電導(dǎo)率與將相關(guān)系數(shù)大的單段及波段組合作為輸入層，將水質(zhì)參數(shù)作為輸出層．12月5日、1月29日、3月10日數(shù)據(jù)作為測試集，其余數(shù)據(jù)按照2∶1的比例劃分為訓(xùn)練集和驗(yàn)證集．在模型建立之前需要對樣本進(jìn)行歸一化處理，以加快神經(jīng)網(wǎng)絡(luò)的收斂速度，使網(wǎng)絡(luò)具有更好的擬合效果．

2）優(yōu)化BP神經(jīng)網(wǎng)絡(luò)：雙曲正切函數(shù) sigmoid作為傳遞函數(shù)，將trainglm 作為訓(xùn)練函數(shù)，線性函數(shù) purelin 作為輸出層函數(shù)，并確定隱含層層數(shù)及節(jié)點(diǎn)數(shù)．期望誤差設(shè)置為0.001，將學(xué)習(xí)速率設(shè)置為 0.000 1，根據(jù)經(jīng)驗(yàn)公式（5）來確定神經(jīng)節(jié)點(diǎn)的數(shù)量：

p=n+m+k.（5）

式中：p為隱含層節(jié)點(diǎn)數(shù)；n為輸入層節(jié)點(diǎn)數(shù)；m為輸出層節(jié)點(diǎn)數(shù)；k為1～10之間的調(diào)節(jié)常數(shù)．確定電導(dǎo)率經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為［6，10，1］，濁度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為［6，8，1］．確定麻雀種群數(shù)量及進(jìn)化次數(shù)，訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)模型，并計算各個麻雀的適應(yīng)度值MSE．根據(jù)公式計算并更新生產(chǎn)者、乞討者、警戒者的位置．通過迭代，獲得最優(yōu)麻雀位置，將其作為BP神經(jīng)網(wǎng)絡(luò)的權(quán)值，輸出全局最優(yōu)解，將其作為各層的閾值．

3）優(yōu)化SVM：初始化SVM的相關(guān)參數(shù)，包括懲罰系數(shù)C和核函數(shù)參數(shù)σ，計算每個麻雀的適應(yīng)度值并排序確定麻雀種群，然后更新麻雀位置并計算新的適應(yīng)度，同時，與更新前的適應(yīng)度對比，保留更優(yōu)的適應(yīng)度繼續(xù)進(jìn)行更新，最優(yōu)適應(yīng)度的位置就是SVM的懲罰系數(shù)C和核函數(shù)參數(shù)σ．

4）SSA-BP-SVM耦合：利用BP神經(jīng)網(wǎng)絡(luò)、SVM進(jìn)行訓(xùn)練，分別計算BP神經(jīng)網(wǎng)絡(luò)、SVM驗(yàn)證組的MAE值MAE1、MAE2，利用式（6）進(jìn)行誤差判斷．如果誤差系數(shù)h大于給定的誤差閾值，則選擇MAE最小的模型進(jìn)行訓(xùn)練，其輸出值作為最終預(yù)測值;如果h小于設(shè)定的誤差閾值，則根據(jù)式（7）、（8）分別計算BP神經(jīng)網(wǎng)絡(luò)、SVM的權(quán)重QBP、QSVM，將各模型測試集的預(yù)測值YBP、YSVM按式（9）進(jìn)行加權(quán)，獲得最終預(yù)測值Ypre．誤差閾值由經(jīng)驗(yàn)確定，一般取值為5％．具體流程如圖6所示．

h=|MAE1-MAE2|max（MAE1，MAE2），（6）

QBP=MAE2MAE1+MAE2，（7）

QSVM=MAE1MAE1+MAE2，（8）

Ypre=YBP×QBP+YSVM×QSVM.（9）

2.5模型精度評價

利用RMSE、R2指標(biāo)對反演結(jié)果進(jìn)行精度評價，以評估反演精度［28］．公式如下：

R2=1-∑ni=1（Y-X）2∑ni=1（X-）2，（10）

σRMSE=∑ni=1（Y-X）2n．（11）

式中：Y為模型反演預(yù)測值；X為水質(zhì)參數(shù)實(shí)測值；n為樣本數(shù)量．R2越接近1，RMSE越小，說明反演精度越高．

3反演結(jié)果與分析

3.1模型對比

利用BP、SVM、SSA-BP［29］、SSA-SVM［30］、SSA-BP-SVM模型分別對濁度、電導(dǎo)率進(jìn)行反演．其中，BP、SVM模型超參數(shù)通過試錯法反復(fù)訓(xùn)練確定．5種模型訓(xùn)練情況如圖7所示，模擬結(jié)果誤差如表3所示．

由圖7、圖8及表3可以看出，各模型均有效地對電解度及濁度進(jìn)行了反演，本文提出的SSA-BP-SVM模型反演結(jié)果表現(xiàn)最優(yōu)．從擬合結(jié)果可看出，在電導(dǎo)率及濁度值較高時，反演誤差有所增加，這是由于訓(xùn)練樣本中高值區(qū)樣本占比很低，單一訓(xùn)練模型對樣本有較大的依賴性，導(dǎo)致在高值區(qū)擬合精度不佳．而SSA-BP-SVM模型有效提高了高值區(qū)的反演精度，表明模型穩(wěn)定性較強(qiáng)．

因此選取SSA-BP-SVM模型對云龍湖電導(dǎo)率及濁度進(jìn)行反演，進(jìn)而得到水質(zhì)參數(shù)分布情況．

3.2水質(zhì)參數(shù)分布

利用SSA-BP-SVM水質(zhì)反演模型

對測試組電導(dǎo)率及濁度進(jìn)行反演，分布情況分別如圖8、圖9所示．

3.3云龍湖水質(zhì)參數(shù)變化分析

從電導(dǎo)率空間分布情況（圖8）可以看出，小西湖、西湖及小南湖區(qū)域電導(dǎo)率明顯高于東湖，且從小西湖及小南湖區(qū)域呈現(xiàn)向湖中擴(kuò)散的趨勢．根據(jù)現(xiàn)有水文資料，軍民河、玉帶河和王窯河是云龍湖的主要補(bǔ)水河道，其中玉帶河水量最大，經(jīng)南望凈水廠處理后排入云龍湖，對云龍湖水質(zhì)有較大影響．結(jié)合玉帶河凈水廠取樣點(diǎn)水質(zhì)數(shù)據(jù)進(jìn)行分析，凈水廠取樣點(diǎn)電導(dǎo)率顯著高于湖中平均值，并沿著小西湖、西湖逐步降低，圖8電導(dǎo)率分布趨勢與實(shí)測數(shù)據(jù)相符．從時間變化趨勢來看，2022年12月至2023年3月，云龍湖電導(dǎo)率整體呈下降趨勢，電導(dǎo)率值與補(bǔ)水頻率成負(fù)相關(guān)．

從濁度空間分布情況（圖9）可以看出，靠近云龍湖東湖東岸及南岸水域濁度明顯高于其他區(qū)域，呈現(xiàn)近岸濁度高、離岸濁度低的分布趨勢.由于該區(qū)域距補(bǔ)水河道較遠(yuǎn)，水體更新緩慢，污染物積聚導(dǎo)致濁度不斷提升，而靠近補(bǔ)水河道入湖口的區(qū)域濁度顯著低于平均水平，凈水廠取樣點(diǎn)多年濁度平均值低于5 NTU．考慮到小南湖人員生產(chǎn)活動相較于東湖區(qū)域更高，但濁度卻顯著低于東湖，表明補(bǔ)水是濁度降低的重要因素．而降雨徑流使大量固體顆粒進(jìn)入水體，顆粒污染物作為降雨徑流的主要污染物，主要來自輪胎磨損顆粒、筑路材料磨損顆粒、運(yùn)輸物品的泄漏、剎車連接裝置產(chǎn)生的顆粒、大氣降塵、其他與車輛或游船運(yùn)行有關(guān)的顆粒物等．顆粒污染物是有機(jī)物和磷的主要載體，進(jìn)入水體后造成濁度升高［31］．從時間變化趨勢看，濁度整體成上升趨勢，且從2022年1月29日至2023年3月10日濁度提升較大．東湖分布有水族展覽館、荷園等10余處旅游景點(diǎn)及酒店、游船碼頭等設(shè)施，該區(qū)域相較于西湖，其旅游開發(fā)程度更高，2022年12月7日新冠肺炎疫情“國十條”公布之后，社會經(jīng)濟(jì)生產(chǎn)逐漸開始復(fù)蘇，工商業(yè)活動逐步增加，湖東路車輛及東湖游船數(shù)量顯著提升，與東湖濁度提升趨勢同步．因此可以認(rèn)為云龍湖主要污染源集中于降雨徑流帶來的顆粒污染物，而河道補(bǔ)水水質(zhì)較好，是云龍湖水質(zhì)提升的重要因素．

4結(jié)語

針對傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)存在收斂緩慢、容易陷入局部最優(yōu)，SVM受懲罰系數(shù)及核函數(shù)參數(shù)影響較大的不足，提出一種通過麻雀搜索算法對BP神經(jīng)網(wǎng)絡(luò)、SVM進(jìn)行超參數(shù)尋優(yōu)的水質(zhì)反演模型——SSA-BP-SVM，并利用Sentinel-2A／2B數(shù)據(jù)，對云龍湖區(qū)域的電導(dǎo)率及濁度進(jìn)行了反演，并對水質(zhì)分布及變化趨勢進(jìn)行了分析．

結(jié)論如下：

1）通過對Sentinel-2A／2B影像的單波段數(shù)據(jù)與實(shí)測水質(zhì)數(shù)據(jù)進(jìn)行相關(guān)性分析，得到電導(dǎo)率和濁度的敏感波段，并嘗試進(jìn)行波段組合以增強(qiáng)波段相關(guān)性，結(jié)果表明電導(dǎo)率和濁度的敏感波段均為可見光波段和短波紅外波段．

2）利用BP、SVM、SSA-BP、SSA-SVM、SSA-BP-SVM對水質(zhì)參數(shù)進(jìn)行反演，根據(jù)精度評價結(jié)果，SSA-BP-SVM模型更適用于電導(dǎo)率及濁度反演，精度顯著優(yōu)于其他模型，并且在高值區(qū)樣本數(shù)量較低的情況下，有效地降低了高值區(qū)的反演誤差，比其他4種反演模型具有更強(qiáng)的穩(wěn)定性．

3）云龍湖作為典型的城市水體，濁度受周邊區(qū)域降雨徑流帶來的顆粒污染物影響程度較高，電導(dǎo)率受玉帶河凈水廠補(bǔ)水水質(zhì)影響較大，枯水期由于補(bǔ)水較少，電導(dǎo)率整體呈下降趨勢;濁度隨著人類生產(chǎn)生活的恢復(fù)，車輛、游船數(shù)量顯著提升，呈明顯上升趨勢．

目前利用遙感影像對水質(zhì)進(jìn)行反演的問題還很多，如高分遙感影像獲取較為困難，而利用中低分辨率影像對城市細(xì)小水體進(jìn)行水質(zhì)反演時容易受到混合像元影響，反演精度不高．此外，水質(zhì)數(shù)據(jù)受季節(jié)影響明顯，因此，對水質(zhì)時間序列預(yù)測方面，有必要開展更進(jìn)一步的研究．

參考文獻(xiàn)

References

［1］周婷，劉小妮，戚王月，等.基于GF1衛(wèi)星影像的巢湖藍(lán)藻時空演變特征分析［J］.華北水利水電大學(xué)學(xué)報（自然科學(xué)版），2020，41（3）：62-66

ZHOU Ting，LIU Xiaoni，QI Wangyue，et al.Temporal and spatial evolution characteristics of cyanobacteria in Chaohu Lake based on GF1 satellite imagery［J］.Journal of North China University of Water Resources and Electric Power （Natural Science Edition），2020，41（3）：62-66

［2］王歆暉，田華，季鐵梅，等.哨兵2衛(wèi)星綜合水質(zhì)指標(biāo)的河流水質(zhì)遙感監(jiān)測方法［J］.上海航天，2020，37（5）：92-97，104

WANG Xinhui，TIAN Hua，JI Tiemei，et al.Remote sensing monitoring method for comprehensive water quality index in rivers based on Sentinel-2 satellite［J］.Aerospace Shanghai，2020，37（5）：92-97，104

［3］Pan X，Wang Z J，Ullah H，et al.Evaluation of eutrophication in Jiaozhou Bay via water color parameters determination with UAV-borne hyperspectral imagery［J］.Atmosphere，2023，14（2）：387

［4］Niu C，Tan K，Jia X P，et al.Deep learning based regression for optically inactive inland water quality parameter estimation using airborne hyperspectral imagery［J］.Environmental Pollution，2021，286：117534

［5］Li N，Ning Z Y，Chen M A，et al.Satellite and machine learning monitoring of optically inactive water quality variability in a tropical river［J］.Remote Sensing，2022，14（21）：5466

［6］Gogu R，Carabin G，Hallet V，et al.GIS-based hydrogeological databases and groundwater modelling［J］.Hydrogeology Journal，2001，9（6）：555-569

［7］王喆，連炎清，李曉娜，等.基于機(jī)器學(xué)習(xí)的浐灞河水質(zhì)參數(shù)遙感反演研究［J］.人民長江，2022，53（9）：13-18

WANG Zhe，LIAN Yanqing，LI Xiaona，et al.Research on remote sensing inversion of water quality parameters in Chanhe River and Bahe River based on machine learning［J］.Yangtze River，2022，53（9）：13-18

［8］李愛民，范猛，秦光鐸，等.卷積神經(jīng)網(wǎng)絡(luò)模型的遙感反演水質(zhì)參數(shù)COD［J］.光譜學(xué)與光譜分析，2023，43（2）：651-656

LI Aimin，F(xiàn)AN Meng，QIN Guangduo，et al.Water quality parameter COD retrieved from remote sensing based on convolutional neural network model［J］.Spectroscopy and Spectral Analysis，2023，43（2）：651-656

［9］Zhang H W，Xue B L，Wang G Q，et al.Deep learning-based water quality retrieval in an impounded lake using Landsat 8 imagery：an application in Dongping Lake［J］.Remote Sensing，2022，14（18）：4505

［10］Zhang Y，Duan H P，Sun A L，et al.Rural sewage treatment techniques mode and purifying effect of nitrogen and phosphorus in Jiangsu province，China［J］.Journal of Agro-Environment Science，2013，32（1）：172-178

［11］侯琳琳，馬安青，胡娟，等.膠州灣水體懸浮物濃度遙感反演模式優(yōu)化研究［J］.中國海洋大學(xué)學(xué)報（自然科學(xué)版），2018，48（10）：98-108

HOU Linlin，MA Anqing，HU Juan，et al.Study on remote sensing retrieval model optimization of suspended sediment concentration in Jiaozhou Bay［J］.Periodical of Ocean University of China，2018，48（10）：98-108

［12］陳祥艦，劉洪霞，張德強(qiáng)，等.膠州灣海域海水濁度和懸浮物粒徑分布及遙感反演模型［J］.海洋科學(xué)，2023，47（4）：54-68

CHEN Xiangjian，LIU Hongxia，ZHANG Deqiang，et al.Remote sensing inversion model of seawater turbidity and suspended particle size based on multispectral data［J］.Marine Sciences，2023，47（4）：54-68

［13］肖瀟，徐堅，趙登忠，等.基于國產(chǎn)衛(wèi)星多光譜影像的河流水體濁度遙感聯(lián)合反演研究［J］.長江科學(xué)院院報，2021，38（6）：128-136

XIAO Xiao，XU Jian，ZHAO Dengzhong，et al.Combined remote sensing retrieval of river turbidity based on Chinese satellite data［J］.Journal of Yangtze River Scientific Research Institute，2021，38（6）：128-136

［14］李盈盈.遼河口濁度遙感反演及時空變化分析［D］.大連：大連理工大學(xué)，2022

LI Yingying.Water turbidity retrieval and spatial-temporal analysis based on remote sensing data in the Liao River estuary［D］.Dalian：Dalian University of Technology，2022

［15］周屈，劉建強(qiáng)，王劍茹，等.利用HY-1C衛(wèi)星CZI數(shù)據(jù)在COVID-19疫情期間武漢知音湖和黃家湖的濁度監(jiān)測研究［J］.武漢大學(xué)學(xué)報（信息科學(xué)版），2020，45（5）：676-681

ZHOU Qu，LIU Jianqiang，WANG Jianru，et al.Water turbidity monitoring of Zhiyin and Huangjia Lakes in Wuhan for COVID-19 epidemic using HY-1C CZI data［J］.Geomatics and Information Science of Wuhan University，2020，45（5）：676-681

［16］何穎清，馮佑斌，扶卿華，等.珠江河口海水表層鹽度光學(xué)遙感反演研究［J］.地理與地理信息科學(xué)，2020，36（6）：40-47

HE Yingqing，F(xiàn)ENG Youbin，F(xiàn)U Qinghua，et al.A study on optical remote sensing inversion of sea surface salinity in the Pearl River estuary［J］.Geography and Geo-Information Science，2020，36（6）：40-47

［17］Qing S，Zhang J，Cui T W，et al.Retrieval of sea surface salinity with MERIS and MODIS data in the Bohai Sea［J］.Remote Sensing of Environment，2013，136：117-125

［18］毛智慧，丁放，袁立來，等.基于Sentinel-2多光譜遙感的低鹽湖泊鹽度反演：以西藏錯鄂湖為例［J］.中國水產(chǎn)科學(xué)，2022，29（3）：355-364

MAO Zhihui，DING Fang，YUAN Lilai，et al.Salinity inversion of a low salinity lake based on Sentinel-2 multispectral remote sensing：a case study of the Co Ngoin Lake in Tibet［J］.Journal of Fishery Sciences of China，2022，29（3）：355-364

［19］趙文杰，李洪平，劉海行.SMAP衛(wèi)星的RBF神經(jīng)網(wǎng)絡(luò)海表鹽度遙感反演［J］.海洋科學(xué)進(jìn)展，2022，40（3）：513-522

ZHAO Wenjie，LI Hongping，LIU Haixing.Remote sensing retrieval of sea surface salinity based on RBF neural network from SMAP satellite［J］.Advances in Marine Science，2022，40（3）：513-522

［20］高明，黃賢源，王芳，等.基于深度神經(jīng)網(wǎng)絡(luò)的海表鹽度反演［J］.海洋科學(xué)進(jìn)展，2022，40（3）：496-504

GAO Ming，HUANG Xianyuan，WANG Fang，et al.Sea surface salinity inversion based on DNN model［J］.Advances in Marine Science，2022，40（3）：496-504

［21］李慧，周軼成.未確知測度BP神經(jīng)網(wǎng)絡(luò)模型在黑河流域水質(zhì)預(yù)測中的應(yīng)用［J］.水文，2014，34（3）：66-69

LI Hui，ZHOU Yicheng.Unascertained measure BP neural network model for water quality prediction in Heihe River basin［J］.Journal of China Hydrology，2014，34（3）：66-69

［22］馬振，周密.聚類分析在秦淮河水質(zhì)指標(biāo)相關(guān)性研究中的應(yīng)用［J］.水文，2018，38（1）：77-80

MA Zhen，ZHOU Mi.Application of cluster analysis in correlation study on water quality indexes［J］.Journal of China Hydrology，2018，38（1）：77-80

［23］趙玉芹，汪西莉，蔣賽.渭河水質(zhì)遙感反演的人工神經(jīng)網(wǎng)絡(luò)模型研究［J］.遙感技術(shù)與應(yīng)用，2009，24（1）：63-67

ZHAO Yuqin，WNAG Xili，JIANG Sai.Study on neural network model for Weihe River water quality retrieving using remote-sensing image［J］.Remote Sensing Technology and Application，2009，24（1）：63-67

［24］王海峰，行鴻彥，陳夢，等.基于SSA-SVM的海雜波背景下小信號檢測方法［J］.電子測量與儀器學(xué)報，2022，36（4）：24-31

WANG Haifeng，XING Hongyan，CHEN Meng，et al.Small signal detection method based on SSA-SVM model in sea clutter［J］.Journal of Electronic Measurement and Instrumentation，2022，36（4）：24-31

［25］崔東文，郭榮.HTS算法與GRNN、SVM耦合模型在徑流預(yù)測中的應(yīng)用［J］.華北水利水電大學(xué)學(xué)報（自然科學(xué)版），2018，39（5）：73-81

CUI Dongwen，GUO Rong.Application of HTS algorithm，GRNN and SVM coupling model in runoff prediction［J］.Journal of North China University of Water Resources and Electric Power，2018，39（5）：73-81

［26］孟彩霞，吳迪，雷雨.基于麻雀搜索算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)衛(wèi)星鐘差預(yù)報［J］.大地測量與地球動力學(xué)，2022，42（2）：125-131

MENG Caixia，WU Di，LEI Yu.BP neural network for satellite clock bias prediction based on sparrow search algorithm［J］.Journal of Geodesy and Geodynamics，2022，42（2）：125-131

［27］Xue J K，Shen B.A novel swarm intelligence optimization approach：sparrow search algorithm［J］.Systems Science ＆ Control Engineering，2020，8（1）：22-34

［28］吳歡歡，國巧真，臧金龍，等.基于Landsat 8與實(shí)測數(shù)據(jù)的水質(zhì)參數(shù)反演研究［J］.遙感技術(shù)與應(yīng)用，2021，36（4）：898-907

WU Huanhuan，GUO Qiaozhen，ZANG Jinlong，et al.Study on water quality parameter inversion based on Landsat 8 and measured data［J］.Remote Sensing Technology and Application，2021，36（4）：898-907

［29］呂富強(qiáng)，唐詩華，張炎，等.SSA-BP神經(jīng)網(wǎng)絡(luò)在無人機(jī)點(diǎn)云孔洞修補(bǔ)的應(yīng)用［J］.測繪通報，2023（5）：130-134

L Fuqiang，TANG Shihua，ZHANG Yan，et al.Application of SSA-BP neural network in UAV point cloud hole repair［J］.Bulletin of Surveying and Mapping，2023（5）：130-134

［30］郝婧，劉強(qiáng).基于SSA-SVM模型的臺風(fēng)風(fēng)暴潮災(zāi)害損失評估［J］.海洋地質(zhì)前沿，2022，38（11）：65-72

HAO Jing，LIU Qiang.Loss assessment of typhoon storm surge disaster based on SSA-SVM model［J］.Marine Geology Frontiers，2022，38（11）：65-72

［31］萬蕾，孫曉虎.云龍湖水質(zhì)狀況統(tǒng)計學(xué)分析［J］.蘇州科技大學(xué)學(xué)報（工程技術(shù)版），2020，33（4）：41-46，52

WAN Lei，SUN Xiaohu.Statistical analysis of water quality change in Yunlong Lake［J］.Journal of Suzhou University of Science and Technology （Engineering and Technology），2020，33（4）：41-46，52

Water quality retrieval of Yunlong Lake based on SSA-BP-SVM model

REN Zhongjie1

1Xuzhou Branch of Jiangsu Province Hydrology and Water Resources Investigation Bureau，Xuzhou 221006，China

AbstractThe timely and accurate monitoring of water quality via remote sensing is of great significance to water environment protection.However，the relationship between water quality parameters and surface reflectance is not a simple linear one.BP neural network and Support Vector Machine （SVM） have been widely used in water quality inversion for their nonlinear simulation characteristics，yet traditional BP neural network is perplexed by slow convergence and being easy to fall into local optimum，while SVM is greatly affected by penalty coefficient and kernel function parameter.Here，a coupled model using Sparrow Search Algorithm （SSA） to optimize BP neural network and SVM is proposed to retrieve water quality parameters of conductivity and turbidity in Yunlong Lake from Sentinel-2 images.SSA is used to optimize the parameters of BP neural network and SVM，the model weight is calculated based on verification set MAE，and the final inversion results are obtained after the weighted calculation of output layer of SSA-BP and SSA-SVM model test group.And comparisons are carried out between the proposed SSA-BP-SVM model and BPNN，SVM，SSA-BP，and SSA-SVM models.The results show that，the sensitive bands of Sentinel-2 image to conductivity and turbidity are visible light and shortwave infrared;the proposed model of SSA-BP-SVM is more precise with the R2 of the inverted conductivity and turbidity being 0.92 and 0.89，respectively;the Yunlong Lake is a typical urban water body with conductivity being greatly affected by the drainage from upstream water treatment plant and turbidity being greatly affected by particulate pollutants from social production activities.The proposed SSA-BP-SVM model has good application potential in water quality inversion from Sentinel-2 image，which can provide technical support for water quality monitoring and protection of Yunlong Lake.

Key wordsBP neural network;support vector machine （SVM）;sparrow search algorithm （SSA）;conductivity;turbidity