基于遙感測繪技術的地表水重度污染區域監測方法研究

文章編號：1674-6139（2025）06-0134-05

中圖分類號：X87文獻標志碼：B

MonitoringMethodofHeavilyPollutedAreaofSurface Water Based on Remote Sensing Mapping Technology

LiuXiaojie，SongShenglei，MaYoulu，DingYi （Qinghai Provincial Natural Resources Survey and Monitoring Institute，Xining 81Oooo，China）

Abstract：Severepolltionofsurface watercandisruptthebalanceofaquaticecosystemsandalsoafecthumanhealth.Due tothe significandresinsuaceaterpoltiindifretgos，adiioalmeodsaediulttobaccuatemoogsult Therefore，aresearchonmonitoringmethodsforareaswithseveresurface waterpolutionbasedonremotesensingsurveyingtechnologyis proposed.Thismethodutilzesdronesequppdwithhyperspectralcamerastocapturermotesensingdataofsurfacewater.Aftercoec tionofsolaralitudenglendlinearstretcngprocessing，princialcomponentanalysis（CA）ispliedtoetractspetralfeature， acuratelydeterminepolutionreas，andacieveefetieonitoringTheexperimentalresultsshowtattesectralfeatureetraction resultsofsurfacewaterremotesensingimagesobtainedbytheproposedmethodareconsistentwiththeactualfeatureresults，andthemo nitoringresultsofhavilypolutedsurfcewaterareasareconsistentwiththeactualmoitoringresults，fullonfimingthattheproposd method has better monitoring effects on heavily polluted areas.

Keywordswaterpolutionmonitoring；surfacewater；remotesnsingimage；emotesensingmapingtechnology；heavilypollutedareas

前言

地表水重度污染對人類健康與生態構成威脅，因此監測此類區域意義重大[1]。但地表水重度污染監測面臨多重挑戰，如地表水遙感數據處理性能低、地表水污染特征提取精度差、地表水重度污染區域判定結果與實際結果偏差大等問題[2]。文獻[3]以深圳市某濱海垃圾填埋場為研究對象，建立地下水溶質運移數值模型，就潮汐作用對地下水特征污染物變化規律進行深入探究與分析。此種方法地下水溶質運移數值模型構建的過程中涉及參數較多，致使最終監測結果與實際結果偏差較大；文獻［4]設計了一種水體污染源識別方法，通過水質參數（WQPs）對樣本水質進行精準的評估，利用熒光光譜儀、Tucker同余系數與平行因子分析確定水體的污染源。此種方法實驗樣本數量較少，無法證明其普遍適用性；文獻[5]以成都平原典型混合用地區地下水為研究對象，基于正定矩陣因子分析（PMF）模型識別污染主控因子，再結合貝葉斯穩定同位素混合模型量化污染主控因子對于硝酸鹽氮的貢獻率。此種方法在應用過程中需要訓練多個模型，致使地下水污染監測效率較低。基于上述問題，提出基于遙感測繪技術的地表水重度污染區域監測方法研究，以滿足日益迫切的污染治理需求，提高監測的精準度與效率。

1地表水重度污染區域監測方法研究

1.1地表水遙感數據獲取與處理

此研究以無人機作為遙感平臺，搭載高光譜相機，以此來獲取研究區域地表水遙感數據，由于傳感器自身缺陷、太陽角、視場角等因素的存在，還需要對獲取的原始地表水遙感數據進行一定的處理。

設置原始地表水遙感影像為 f（x，y） ，對應灰度值為 h（x，y） 。由于遙感影像包括不同時相的圖像，需將輻射量校正到太陽處于垂直照射時的輻射量，以此來去除太陽高度角不同的不利影響，將此過程稱為太陽高度角校正，表達式為式（1）：

式（1）中， 表示的是太陽高度角校正后的地表水遙感影像灰度值； φ 表示的是太陽高度角。

遙感影像在無人機搭載傳感器的姿態變化、地球曲率等因素的影響下，容易出現畸變現象，從而影響圖像內部信息的精確性[6。因此，采用地面控制點對遙感影像 f（x，y） 的幾何畸變進行校正，表達式為式（2）：

式（2）中 表示的是幾何畸變校正后的遙感影像； α 與 β 表示的是遙感影像在 x 軸與 y 軸方向上的校正畸變函數； n 表示的是遙感影像中像元的總數量； γ_ij 與 λ_ij 表示的是待定系數，主要由參考坐標系與圖像坐標系進行最小二乘法求解后獲得。

為了提升地表水重度污染區域監測的整體性能，對遙感影像 進行增強處理，通過線性拉伸方程將其亮度范圍拉伸至[0，255]范圍內，表達式為式（3）：

式（3）中， 表示的是增強處理后遙感影像 g（x，y） 的灰度值： ??A₁ 與 A₂ 表示的是原始遙感影像灰度值的最小值與最大值； B₁ 與 B₂ 表示的是灰度值增強后的最小值與最大值，取值為0與 255 。

線性拉伸增強遙感影像，通過直方圖分析定義灰度映射，應用式（3）對遙感影像進行線性拉伸，擴展原狹窄灰度范圍至全顯示區間，提升暗亮部細節可見度，豐富色彩層次，尤其是優化水體高亮區域細節展示，增強視覺效果[7]

1.2地表水遙感圖像光譜特征提取

以1.1節處理好的遙感數據 g（x，y） （灰度值 ）為基礎，引入主成分分析方法（PCA方法）提取地表水遙感圖像的光譜特征，為最終研究目標實現提供依據與支撐。

基于主成分分析方法（PCA方法）的遙感圖像光譜特征提取過程如下所示：

步驟一：加載1.1節處理好的遙感數據 g（x，y） ，從 Ψ_g（x，y） 中提取出每個像元的光譜數據，形成一個多維數據集，記為 {R₁，R₂，…，R_i，…，R_n} ：

步驟二：計算遙感圖像像元光譜數據的協方差矩陣，內部元素表示不同波段之間的相關性，表達式為式（4）：

式（4）中， ζ 表示的是遙感圖像像元光譜數據的協方差矩陣； R_i 表示的是第 i 個像元光譜數據（向量形式）； 表示的是遙感圖像像元光譜數據的平均值（向量形式）。

步驟三：以步驟二計算的協方差矩陣{為依據，對其進行特征分解獲取特征值[8]。協方差矩陣分解結果為 ζ=VKV^T 。其中， K 表示的是協方差矩陣的特征值，反映了對應主成分的重要性（即方差大小）；V表示的是協方差矩陣的特征向量，反映了主成分在原始變量空間中的方向；

步驟四：以步驟三獲取的遙感圖像光譜特征值K 為基礎，提取累計方差貢獻率達到一定閾值 （ζ） 的前 k 個主成分，計算提取全部主成分對應特征值的平均數值 ，將其作為地表水遙感圖像光譜特征的最終提取結果[9]

上述過程完成了地表水遙感圖像光譜特征 的有效提取，為后續地表水重度污染區域的判定提供一定的助力。

1.3地表水重度污染區域判定

以1.2節提取的地表水遙感圖像光譜特征 為基礎，根據實際情況與歷史數據，設定合適的光譜特征閾值，制定地表水重度污染區域判定規則。遙感圖像光譜特征閾值的設定過程是一個基于歷史數據和專家經驗的綜合判斷過程，具體見圖1。

依據圖1所示流程確定遙感圖像光譜特征閾值，記為 ψ ，聯合地表水遙感圖像光譜特征值 ，制定地表水重度污染區域判定規則：當地表水遙感圖像光譜特征值 大于或者等于設定閾值 時，認定研究區域地表水屬于重度污染區域；反之，則認定研究區域地表水屬于非重度污染區域[10]

2 實驗與結果分析

單一方法獨立測試無法凸顯提出方法的應用性能，故選取文獻[3]與文獻[5]作為對照方法，簡稱為文獻[3]方法與文獻[5]方法，共同進行地表水重度污染區域監測實驗，獲取相應的實驗數據與實驗結果，驗證提出方法的應用效果。

2.1 實驗準備

為了深入研究地表水重度污染區域監測性能，文章規劃了位于內陸湖泊流域的實驗區，面積90平方公里，細分為36個50米邊長的子區域，全面代表性地研究地表水重度污染監測性能。聚焦水生生物群落（魚類、兩棲類、水生植物及微生物），通過模擬高濃度重金屬和有機污染的重度污染區及低于自然背景的非重度污染區，遵循生態安全與科研倫理，確保實驗不損害環境。

提出方法引入了遙感測繪技術，需要相應的設備一一無人機與遙感測繪設備。實驗選用多旋翼d-1型無人機作為飛行平臺，其具備 7kg 的最大安全起飛重量 ，5kg 空機重量及 2kg 負載能力，適合攜帶 ms600pro 遙感測繪設備。該無人機設計緊湊（970×920×240mm） ，配備 1 200mm 軸距與26英寸螺旋槳，由高效無刷電機驅動，以 21Ah 鋰電池為能源，能在海拔4500米以下、風速 14m/s 的環境中穩定飛行，最高速度達 36km/h 。同時， ms600 pro遙感測繪設備以 20 150×14 118 像素的高清影像、3.76μm 的精細像素物理尺寸 ??90mm 焦距鏡頭及靈活的光圈（ 5.6～11 ）、快門速度（ （1/2500～1/125） 和ISO （50～6400 ）設置，結合 83dB 的寬廣傳感器動態范圍，為精確捕捉地表水污染特征提供了強大支持。

2.2 實驗結果分析

以某一實驗子區域為例，其地表水監測遙感影像具體見圖2。

如圖2所示，圖中綠色區域為實驗湖泊的子區域，散布在綠色區域中的紅色斑點為水體中的污染物聚集區。應用提出方法、文獻[3]方法與文獻[5]方法對地表水遙感圖像光譜特征進行提取，具體見圖3。

如圖3所示，在同一實驗子區域內，應用提出方法獲得的地表水遙感圖像光譜特征提取結果與實際特征結果一致，而應用文獻[3]方法與文獻[5]方法獲得的地表水遙感圖像光譜特征提取結果與實際特征結果存在著較大的差異性，表明提出方法地表水遙感圖像光譜特征提取性能更好。

通過提出方法、文獻[3]方法與文獻[5]方法獲得實驗區域地表水重度污染區域監測結果和實驗對象示意圖，具體見圖4。

如圖4所示，在實驗區域背景下，應用提出方法獲得的地表水重度污染區域監測結果與實際監測結果（如圖3所示）相同，而應用文獻[3]方法與文獻[5]方法獲得的地表水重度污染區域監測結果與實際監測結果偏差較大，表明提出方法地表水重度污染區域監測性能更佳。

3 結束語

隨著工業化進程的加速和城市化水平的不斷提高，地表水污染問題愈發凸顯。因此，對地表水重度污染區域進行持續、有效的監測，成為了保障生態環境安全、促進經濟社會可持續發展的重要舉措。基于此，提出了一種基于遙感測繪技術的地表水重度污染區域監測的方法。本方法充分利用遙感測繪技術的高分辨率與即時響應特性，結合先進的數據處理與分析算法實現對地表水體的全面掃描，為污染識別提供豐富信息。結合深度學習等算法，有效提升了遙感圖像中地表水光譜特征的提取效率與精度，降低了污染特征識別的誤差。實驗結果表明，該方法顯著提升了遙感圖像中地表水光譜特征的提取性能，有效降低了污染特征識別的誤差，從而確保了污染區域判定的準確性。

參考文獻：

[1]葉志祥，洪松，何超，等.基于監測斷面空間聚類的中國枯水期水質污染區域格局[J].環境科學研究，2022，35（8）：1807-1817.

[2]鄭家傳，王剛.城市地表水重金屬污染特征及風險評價——以蘇州市為例[J].環境保護科學，2022，48（1）：25-32

[3]劉治國，方樟，趙思遠，等.潮汐作用對濱海垃圾填埋場地下水污染物遷移影響模擬研究[J].環境科學學報，2022，42（6）：147-154.

[4]Shen，Jian，Deng，Shubo，Wu，Jing.IdentifyingPollution Sourcesin Surface Water Usinga Fluorescence Fingerprint Techniquein an Analytical Chemistry Laboratory Experiment for Advanced Undergraduates[J].Journal of Chemical Education，2022，99 （2）：932-940.

[5]張涵，杜昕宇，高菲，等.聯合PMF模型與穩定同位素的地下水污染溯源[J].環境科學，2022，43（8）：4054-4063

[6]解明權，閔松寒，楊輝，等.基于貝葉斯卷積網絡的農村黑臭水體遙感識別算法研究[J].環境科學學報，2024，44（3）：215-226.

[7]畢業亮，王華彩，夏兵，等.雨源型城市河流水污染特征及水質聯合評價：以深圳龍崗河為例[J].環境科學，2022，43（2）：782-794.

[8]張行洲，殷樂宜，陳堅，等.考慮污染物擴散風險的場地地下水污染多層次風險評估方法[J].水文地質工程地質，2023，50（2）：160-170.

[9]徐玲，景向楠，楊英，等.基于SMOTE-GA-CatBoost算法的全國地表水水質分類評價[J].中國環境科學，2023，43（7）：3848-3856.

[10]林廣，張蘭，王國勝，等.基于去耦合直接法的蘭江流域地表水水質預測方法研究[J].中國環境監測，2023，39（1）：181-188.