基于無人機多光譜數據的葉綠素a濃度反演模型研究

中圖分類號：X87；X832 文獻標志碼：A 文章編號：1674-3075（2025）04-0132-12

葉綠素a（Chl-a）濃度可以在一定程度上反映水體的富營養化程度，是表征城市河流水環境狀況的重要指標（陳水勇等，1999；焦紅波等，2006）。隨著人們生態環境保護意識的增強，城市河流水質監測受到廣泛關注，如何持續動態監測城市河流水質，對于保護城市圈水資源具有重要意義。

傳統的水質監測多采用單點監測方法，該方法不僅費時費力，且僅能通過實測得到采樣點附近的水質濃度信息，不能全面分析大范圍水質情況（Pageetal，2019）。遙感技術憑借其時效性強、監測范圍廣的優勢，被廣泛應用于水質定量估算等領域（Mosesamp;Miller，2019；Yueetal，2019）。隨著遙感技術的深入發展，基于遙感的水質監測已經從定性分析向定量分析發展（Pahlevanetal，2017）。然而針對城市河流這種狹長、水質狀況復雜的水體，傳統的衛星遙感無法滿足估算需求。隨著無人機技術的迅猛發展，無人機以其成本低、靈活性強和低空飛行等優點，在生態環境監測、地質災害災后評估、植被物候監測、國土資源利用監測等領域得到廣泛應用（Dunfordetal，2009；Guillen-Climentetal，2012）。無人機搭載的高分辨率多光譜相機能夠在不受云層干擾的情況下，有效提取出高質量的小微水體光譜信息，且反演精度高，證明了無人機遙感水質反演的實用性（楊振等，2020；Yingetal，2021；羅小波等，2023）。

水質參數的傳統遙感估算模型主要基于統計學方法，然后通過尋找敏感波段或波段組合作為特征變量來構建估算模型，從而實現對水質的估算，包括線性回歸、多項式回歸等（Mathewetal，2017；Mohsenetal，2021；孫世舉等，2023）。趙琳（2023）運用哨兵2號數據，以敏感波段因子為變量，構建了多種水質參數的一元線性回歸模型，并對白洋淀水質進行了估算，最終得到的 R² 高達0.74；基于無人機多光譜數據和實測水質參數，劉彥君等（2019）建立指數模型及多項式模型，估算了東湖水域的總磷（TP）、懸浮物（SS）和濁度（TUB）。這些傳統的統計回歸方法構造簡單，多針對特定時間段或某固定水域的水質參數估算，無法滿足多時序數據的持續估算，對于增加新的時間點數據往往需要重新構造估算模型，適用性不強（章佩麗等，2022）。近年來深度學習和人工智能方法發展迅速，為水質估算提供了新的機遇和挑戰，目前利用深度學習方法的水質估算也取得了不錯的成果（但雨生等，2020；馬豐魁等，2020；徐鵬飛等，2021）。Xue等（2021）以洞庭湖為例，開發了一種利用卷積神經網絡（CNN）估算葉綠素a濃度的算法，結果表明，該算法在葉綠素a濃度估算方面具有一定的優越性；Pyo等（2019）同樣以具有不同輸出窗口的卷積神經網絡來估計藻藍蛋白（PC）和葉綠素a（Chl-a）的濃度，估算誤差明顯小于其他傳統的光學算法；在水質監測中淺層神經網絡的估算效果并不理想，于是Qi等（2020）充分利用了水質參數的時序特征，提出一種長短期記憶網絡模型（LSTM）對pH、溶解氧、化學需氧量和氨氮等4種水質參數指標進行了估算，取得了較好的結果。

上述研究結果表明，神經網絡結合遙感技術在水質參數反演方面具有很大潛力。然而，傳統的深度學習模型存在復雜性高、參數過多、過擬合風險和缺乏普適性等不足，且由于實地采樣數據較少，所構建的模型精度不夠高，模型應用受限，同一算法只能在某一區域內保證其精度。基于此，本文以南淝河典型河段為研究區域，基于不同時期的無人機多光譜數據和葉綠素a濃度實地采樣數據，深入分析城市河流水質，挖掘其深層特征，研究水質濃度與光譜之間的線性和非線性關系，結合BO-DNN模型引入了貝葉斯優化方法，在優化選擇最優超參數的同時，降低過擬合風險，提高模型泛化能力，從而提高模型性能。同時，通過增加同一水域不同時間段的未訓練數據，驗證模型泛化能力。本研究有望進一步推動遙感水質參數智能估算的實際應用和理論創新，在生態環境保護、城市圈水資源治理與保護、城市管理等方面具有重要的現實意義和應用價值。

1材料與方法

1.1 研究區概況

南淝河古稱施水，是巢湖的一條重要支流，發源于合肥市西北部江淮分水嶺的東南側，橫跨合肥市區，流經4區2縣，最終于施口注入巢湖（圖1）。自董鋪水庫建成以來，南淝河上游來水被截斷，故南淝河的供水來源主要為降水和污水處理廠排放的尾水，隨著城市化進程的加快，對南淝河水質的監測和治理已經迫在眉睫。本文選擇2段南淝河典型河段為研究區域，分析南淝河葉綠素a的分布情況，研究區A位于老城區蒙城路橋至阜陽路橋段，該河段周邊以商業住宅區和城市公園為主，其水質狀況直接影響城市生態環境和用水安全；研究區B位于巢湖入湖口附近雙陡門至合肥港段，該河段是南淝河流域的一條重要航道，周邊環境以農業種植區為主，其水環境直接影響下游巢湖水質狀況，根據治湖先治河的思路，監測南淝河水質對今后巢湖水質治理具有重要意義。

1.2葉綠素a濃度數據獲取

為確保數據的可用性，本研究選擇天氣晴朗、河面平靜的時間段采集水樣。本次試驗采用杯式定深水質取樣器在研究區A和B共進行了5次水樣采集，包括研究區A在2020年8月、2021年6月、2021年9月的3期數據采集和研究區B在2020年11月、2021年9月的2期數據采集，采樣點位置見圖2。為了方便試驗開展，僅在岸邊分布了取水樣點，每個樣點采集水面0.5m 以下 500mL 水樣，在實驗室使用葉綠素a測定儀，檢測得出試驗所需的葉綠素a濃度參數，共獲取了161個采樣點數據，具體見表1。

1.3無人機數據獲取及預處理

為保證試驗數據的適用性，采樣的同時在研究區進行無人機影像的采集，本次采用的是飛馬D200多旋翼無人機為空中飛行平臺，搭載redgeMX多光譜相機來獲取研究區的多光譜影像，無人機多光譜數據包含藍、綠、紅、紅邊、近紅等5個波段，中心波長為 475～840nm ，波段寬度為 12～32nm 。考慮到無人機飛行距離小，同時配備實時差分系統，以便準確提供圖像的外部方位要素，因此采用無圖像控制的數據采集方法。最后，對采集得到的無人機多光譜數據進行預處理，主要包括去除散焦、軌跡畸變校正、幾何校正、輻射校正、圖像拼接等。本次現場數據采集的詳細情況見表2，其中分辨率均為 0.1m 。

1.4敏感波段分析

葉綠素a濃度的反演依賴于光譜數據中不同波段的反射特性。葉綠素a濃度在不同的波段上表現出不同的敏感性，因此選擇敏感性較強的波段可以顯著提高模型的準確性。常見的敏感波段包括紅邊波段、近紅外波段和藍綠波段，這些波段對葉綠素a具有顯著的吸收和反射特性，能夠更好地捕捉其濃度變化。雖然原始波段能反映某一特定波長范圍的光譜特征，但難以有效捕捉影響因子與水質參數之間的關系，而波段組合能夠進一步增強光譜信息與葉綠素a的相關性，降低背景信息的干擾，提高反演精度（何捷等，2019；黃振輝等，2024）。通過選擇與葉綠素a濃度高度相關的波段組合，減少冗余信息的同時，獲取更有效的光譜信息，從而更準確地反映水質參數變化。

本文采用Pearson相關性系數來分析單波段或波段組合的遙感反射率與葉綠素a濃度之間的相關程度（圖3），單波段中b3波段與葉綠素a濃度的相關性程度最高（-0.637），其次是b2波段（-0.598）；經過波段組合后的相關性可達到0.8左右，其結果大大優于單波段，表明最優波段組合更能充分反映葉綠素a濃度的變化，基于此本文構建了7個相關性程度達到0.8左右的波段組合，包括b5/b3、b2/b3、b1/b3、b5/b2、 63+65 0/b3、 62+ b5）/b3、（b1+b5）/b3。本文以經過敏感波段分析后的7種波段組合作為特征變量，將實測的葉綠素a數據作為目標值，構建南淝河葉綠素a數據集。具體的，將2021年9月17日研究區A的實測數據作為驗證集，其余4次試驗獲取的142組數據按照8：2的比例，隨機抽取 80%（114 個）作為訓練集，其余 20%（28 個）作為測試集。

1.5DNN網絡模型

深度神經網絡（DNN）是一種基于多層神經元連接和層次化架構的高級模型，專門用于處理復雜的模式識別和回歸問題（Hintonetal，2012）。DNN模型包含輸入層、隱藏層和輸出層3個部分，每層都由多個神經元組成（Lecunetal，2015）。與傳統的淺層神經網絡相比，深度神經網絡具有更深的層次結構，能夠自動提取更豐富和抽象的特征表示，從而顯著提高了模型的準確性和泛化能力。

本研究采用DNN網絡模型作為主體結構，并使用貝葉斯優化算法對DNN參數進行自動尋優。首先建立DNN初始模型，具體而言，模型的輸入特征是通過敏感波段分析后構建的7種波段組合，輸入層接收原始數據，包含7個神經元，每個神經元對應1個波段組合。隱藏層是深度神經網絡的核心部分，通過多個隱藏層，模型可以學習到數據中的復雜特征和模式。每個隱藏層由多個神經元組成，神經元通過激活函數的非線性轉換輸入信號。隱藏層數量的設置對模型性能有顯著影響：隱藏層層數過多會使參數量急劇增加，導致過擬合，使得模型的泛化性能降低；層數過少則特征學習不充分，無法捕捉水質數據集的一般規律，導致估算效果不佳。因此，本研究搭建了一個包含4層隱藏層的深度神經網絡。神經元數量分別設置為64、128、64和32，激活函數統一選擇ReLU，以增強非線性能力。在隱藏層中，兩兩相連的神經元用于特征提取，經過激活函數更新輸入值，并傳入下一個隱藏層，直至輸出層。模型輸出層包含一個神經元，用于輸出葉綠素a濃度估算值。在反向傳播過程中，依據損失函數的最小化原則，更新隱藏層中神經元的權重和偏差。本研究采用均方根誤差（MSE）作為模型的損失函數，能夠評價數據變化的程度，更好地反映預測值的誤差大小，并能快速準確地達到收斂。此外，模型正則化參數選擇L2正則化，優化器選擇Adam，學習率起始值設置為0.001。

1.6貝葉斯優化

在深度神經網絡（DNN）模型中，超參數的選擇對模型性能有著至關重要的影響。傳統的DNN訓練過程中，超參數的設定往往依賴于經驗或是手動調參，然而這種方式既耗時又容易導致結果不理想。貝葉斯優化算法（bayesianoptimization，BO）通過系統化、高效化和自動化的方式進行超參數調優，顯著提高了DNN模型的性能和調參效率（Snoeketal，2012）。通過貝葉斯優化可以更好地找到最佳的超參數組合，從而提高估算精度和模型的穩定性。因此，本研究構建了一種BO-DNN網絡模型，通過深度神經網絡（DNN）進行葉綠素a濃度的反演，并使用貝葉斯優化（BO）自動搜索DNN模型的最優超參數。在BO優化過程中，本研究使用五折交叉驗證法來評價各組超參數配置的表現，并持續迭代更新DNN網絡架構，直至BO算法的迭代次數耗盡或滿足停止條件，然后停止搜索并保留最佳的網絡結構。最后，利用驗證集數據檢驗本方法在準確性、泛化能力和計算效率上的表現（圖4）。

本研究優化參數包括批處理大小、學習率、隱藏層層數、隱藏層神經元數量、正則化參數、優化器類型和激活函數類型。通過對DNN模型參數進行100次優化迭代，旨在找到最適合建模的最佳參數組合。各優化參數見表3。

2結果與分析

2.1BO-DNN模型精度評價

本文采用決定系數 （R²） 、平均絕對誤差 （E_MA ）和均方根誤差 （E_RMS） 來評價模型的準確性，根據 R² 的值選擇最優模型。 R² 表示回歸模型對檢驗數據的擬合程度，該值越接近1，表示模型的擬合程度越高； E_RMS 表示測試數據與預測值之間的偏差，該值越小，模型的預測精度越高； E_MA 是評價預測結果準確性的一種方法，該值越小表明模型的預測準確度越高（Shietal，2013）。本研究隨機選取樣本量的 20% 作為測試集進行模型的精度評價，來驗證模型的精度，從圖5可以看出BO-DNN網絡模型的葉綠素a濃度的估算擬合優度達到了 0.91，E_RMS 為 0.035mg/L ，E_MA 為 0.018mg/L ，實測值和預測值的擬合程度較高，表明該深度學習網絡模型可以用于葉綠素a的濃度估算。

式中： y_i 為實測值， 為預測值， 為平均值， n 為樣本數。

2.2方法對比

為了驗證本文深度學習模型在葉綠素a濃度估算中的有效性，本研究采用了當前水質估算領域流行的方法，包括支持向量機（SVM）、隨機森林（randomforest regressor，RF）、XGBoost（extreme gradientboosting）、K近鄰（Knearestneighbor）、AdaBoost回歸（AdaBoostregressor）、卷積神經網絡（convolution-al neural networks，CNN）、線性回歸（linear regres-sion）等7種估算模型對葉綠素a濃度進行估算，并使用相同的測試集（28個）進行精度評價。通過與本文深度神經網絡進行對比可以看出，BO-DNN方法得到的預測結果誤差最小，與實測值吻合度高，為最優模型（表4和圖5）。

2.3樣本復雜度

為了驗證不同樣本量大小的情況下，深度學習估算模型的準確度性能，本文在保持測試集不變的情況下，隨機選擇訓練樣本量的 25%.50%.75% ，即28、57、85個樣本構建葉綠素a濃度的估算模型，并進行精度評價。結果見表5，當訓練樣本量為原始訓練樣本量的 75%（85 個）時，葉綠素a濃度的估算擬合優度為0.85，之后精度變化并不明顯，表明本文深度學習方法模型性能雖然會隨著訓練數據量的增加而繼續改善，但改善效果已不顯著。當樣本量減少到50%（57 個）時，模型的擬合優度為0.66，當樣本量繼續減少到 25%（28 個）時，估算擬合優度為0.47。該結果表明，當樣本量減少時，模型的擬合優度降低明顯，這與數據量的偏少存在一定的關系。

2.4模型適用性

為了驗證模型對不同時間段水體的估算效果，本文對2021年9月17日研究區A的無人機影像進行葉綠素a濃度的估算，提取了采樣點位置的估算結果值，并與19個未參與模型訓練的實測值進行對比，驗證模型的適用性。從結果（圖6中可以看出，雖然在某些點上葉綠素a濃度的實測值和預測值會存在一定的偏差，但濃度趨勢變化及濃度大小基本保持一致，表明本文的葉綠素a濃度估算模型對于不同時期的數據具有一定的適用性。

2.5南淝河典型河段葉綠素a濃度時空分布

本文使用構建好的葉綠素a濃度估算模型對南淝河研究區A的三景影像和研究區B的兩景影像進行了估算，并按照5個等級進行劃分，顏色設置由藍色到深紅色，顏色越深，表明葉綠素a的濃度越高，然后基于估算結果分析南淝河典型河段的葉綠素a濃度時空分布變化，研究區A的結果見圖7，河道截斷部分為橋梁，該部分無人機影像無法拍攝

從估算結果中可以看出，不同時段南淝河研究區A葉綠素a的濃度最低值和最高值差異不大，最低為 0.0052mg/L ，最高為 1.0026mg/L 。其中2020年8月19日葉綠素a濃度為 0.0050～1.0026mg/L ，在空間分布上呈現出上游低下游高的特點。2021年6月11日葉綠素a濃度為 0.0050～1.0025mg/L ，整體濃度較上一次有所降低，空間分布上呈現出上游部分水域較高，其余水域都維持在 0.1419mg/L 以下。2021年9月17日葉綠素a濃度為 0.0052～1.0025mg/L ，同2021年6月11日的估算結果趨勢基本一致，整體估算濃度值較2021年6月11日的結果更低，空間上同樣呈現出上游部分水域較高，其余水域葉綠素a濃度都較低的特點。

由圖7估算結果可知，葉綠素a濃度在研究區A的時空分布上呈現出一定的特點，主要原因有2020年8月19日天氣炎熱，是藍藻暴發的高峰期，結合當時的無人機高分辨率影像可以發現，該時期有明顯的藍藻暴發跡象，葉綠素a濃度明顯偏高。除此以外，下游水域臨近商業步行街，葉綠素a濃度較高的兩處水域分別有通往商業步行街的天橋，人流量極大，因此該段水域葉綠素明顯偏高。2021年9月17日和2021年6月11日的葉綠素a濃度較高區域主要分布在上游小部分水域和橋梁的兩側，該段水域周邊以城市公園、居民住宅區和商業步行街為主，經過調查發現研究區A的上游水域周邊為逍遙津公園和城市道路，水質受人為干擾較小，而南淝河研究區A自董鋪水庫建成以來該區域已成為封閉式水域，橋梁兩側污染物質聚集是造成該水域葉綠素a濃度明顯偏高的主要原因。

南淝河研究區B的葉綠素a濃度分布趨勢見圖8，該河段葉綠素a濃度為 0.0050～1.0026mg/L 。其中，2020年11月13日，河道兩岸、河道中間部分水域以及支流交匯處葉綠素a濃度較高；2021年9月17日，河道中游部分、下游河道中間以及直流交匯處葉綠素a濃度較高，其余水域葉綠素a濃度水平較低。

南淝河研究區B臨近巢湖入湖口，其中河段的上游部分有合肥港，因此該河段是一條重要的水運航道，船只的航行對于河道水質有一定的影響，其次研究區B周邊多為農業耕地，存在大量農田和種植果園，農藥和化肥的過度使用通過地表徑流和地下滲透會使水域營養物質增高，導致富營養化，影響葉綠素a的濃度。

3結論

（1）選擇 65/63，62/63，（61+65）/63 等相關系數較高的波段組合作為模型的輸入特征，基于深度神經網絡和貝葉斯優化算法建立BO-DNN模型。BO-DNN模型的決定系數較高 （R²=0.91） ，平均絕對誤差 （E_MA=0.018mg/L） 和均方根誤差較低 （E_RMS= 0.035mg/L） ，表明本文采用的深度學習算法相較于當前水質估算領域的其他熱門算法，模型性能良好、精度高。

（2）BO-DNN模型訓練樣本大于或等于總樣本的 75% 時，模型精度變化不顯著；當訓練樣本持續減少至 50% 和 25% 時，模型的精度明顯下降，說明樣本集的增加總體可提高模型的準確度。

（3）南淝河典型河段葉綠素a濃度空間分布差異明顯。研究區A葉綠素a高濃度區域集中在橋梁兩側及下游水域，受人為干擾和污染物堆積影響；研究區B葉綠素a高濃度區域主要在河道兩岸、中部水域及支流交匯處，這與農業化肥和農藥通過地表滲流、地下滲透，以及船舶航行污染物排放有關。

當然，本文仍存在一些問題及需要克服的困難。由于數據采集困難，地面采樣點數量較少且分布不夠均勻，限制了模型訓練效果和適用性。下一步需開展不同季節、不同水域的多次采樣，以期建立更精確、適用性更強的反演模型。

參考文獻

陳水勇，吳振明，俞偉波，等，1999.水體富營養化的形成、危 害和防治[J].環境科學與技術，（2）：12-16.

CHENSY，WUZM，YUWB，etal，1999.Formation，harmfulness，prevention，control and treatment of waters eutrophication[J].Environmental Science and Technology， （2）：12-16.

但雨生，周忠發，李韶慧，等，2020.基于Sentinel-2的平寨水 庫葉綠素a濃度反演[J].環境工程，38（3）：180-185，127.

DANYS，ZHOUZF，LISH， etal，2020.Retrieval of chlorophyll-a concentraton in Pingzhai reservoir based on Sentinel-2[J]. Environmental Engineering，38（3）：180-185，127.

何捷，蔡春芳，陳雯，等，2019.陽澄西湖及其入湖港口的水質 評價與分析[J].水生態學雜志，40（3）：25-32.

HE J， CAI C F， CHEN W， et al， 2019.Assessment and analysis ofwaterqualityinwest Yangchenglakeand inlets based on principal component analysis[J]. Journal of Hydroecology，40（3）： 25-32.

黃振輝，楊小紅，王力哲，等，2024.小樣本下大冶湖非光學活 性水質參數反演與時空變化分析[J].長江流域資源與環 境，33（1）：102-113.

HUANG ZH，YANGXH，WANGL Z，etal，2024.Inversion and spatiotemporal variation of non-opticallyactivewater quality parameters in Daye Lake with small samples[J]. Resources and Environment in the Yangtze Basin，33（1）： 102-113.

焦紅波，查勇，李云梅，等，2006.基于高光譜遙感反射比的太湖 水體葉綠素a含量估算模型[J].遙感學報，10（2）：242-248.

JIAO HB， ZHA Y， LIY M， et al， 2006. Modelling chlorophylla concentration in Taihu Lake from hyperspectral reflectance data[J]. Journal of remote sensing， 10（2）：242-248.

劉彥君，夏凱，馮海林，等，2019.基于無人機多光譜影像的小 微水域水質要素反演[J].環境科學學報，39（4）：1241- 1249.

LIUYJ，XIA K，FENG HL，etal，2019. Inversion of water quality elements in small and micro-size water region using multispectral image by UAV[J]. Acta Scientiae Circumstantiae， 39（4）：1241-1249.

羅小波，謝天授，董圣賢，2023.基于無人機多光譜影像的柑橘 冠層葉綠素含量反演[J].農業機械學報，54（4）：198-205.

LUO X B， XIE T S， DONG S X， 2023. Estimation of citrus canopy chlorophyll based on UAV multispectra lmages[J]. Transactions of the Chinese Society for Agricultural Machinery， 54（4）：198-205.

馬豐魁，姜群鷗，徐藜丹，等，2020.基于BP神經網絡算法的 密云水庫水質參數反演研究[J].生態環境學報，29（3）： 569-579.

MA F K， JIANG Q O， XU L D， et al， 2020. Retrieval of water quality parameters based on BP neural network algorithm in Miyun Reservoir[J]. Ecology and Environmental Sciences， 29（3）：569-579.

孫世舉，徐浩，吳艷蘭，等，2023.基于 Sentinel-2衛星遙感影 像的巢湖及南淝河葉綠素a濃度反演[J].水生態學雜 志，44（5）：58-66.

SUN SJ，XUH，WUYL，etal，2023.Estimation of Chloro phyll-a Concentration in Chaohu Lake and Nanfei RiverBased on Sentinel-2 Satellite Remote Sensing Imagery[J]. Journal of Hydroecology， 44（5）：58-66.

徐鵬飛，程乾，金平斌，2021.基于神經網絡模型的千島湖清 潔水體葉綠素a遙感反演研究[J].長江流域資源與環 境，30（7）：1670-1679.

XU PF， CHENG Q， JIN P B，2021. Inversion of chlorophyll-a of clean water in Qiandao Lake with remote sensing data using the neural network[J]. Resources and Environment in the Yangtze Basin， 30（7）：1670-1679.

楊振，盧小平，武永斌，等，2020.無人機高光譜遙感的水質參 數反演與模型構建[J].測繪科學，45（9）：60-64，95.

YANG Z， LU X P，WU Y B， 2020. Retrieval and model construction of water quality parameters for UAV hyperspectral remote sensing[J]. Science of Surveying and Map ping， 45（9）：60-64，95.

章佩麗，宋亮楚，王昱，等，2022.基于無人機多光譜的城市水 體典型河道水質參數反演模型構建[J].環境污染與防 治，44（10）：1351-1356.

ZHANG PL， SONG L C， WANG Y， et al， 2022. Bstablishment of inversion model for water quality parameters in typical urban rivers hased on unmanned aerial vehiclemultispectral data [J]. Environmental Pollution and Control， 44（10）： 1351-1356.

趙琳，2023.基于多光譜遙感技術的白洋淀水質演變監測方 法研究[J].現代信息科技，7（3）：106-109.

ZHAO L，2023. Study on monitoring method for water quality evolution in baiyang lake based on multispectral remote sensing technology[J]. Modern Information Technology，7 （3）：106-109.

DUNFORD R，MICHEL K， GAGNAGE M， et al， 2009. Potential and constraints of Unmanned Aerial Vehicle technology for the characterization of Mediterranean riparian forest [J]. International Journal of Remote Sensing，30（19）：4915- 4935.

GUILLEN-CLIMENT ML， ZARCO-TEJADA P J， BERNI J A J， et al，2012.Mapping radiation interception inrow-structured orchards using 3D simulation and high-resolution airborne imagery acquired from a UAV[J]. Precision Agriculture， 13（4）：473-500.

HINTON G， DENG L，YU D， et al， 2012. Deep neural networks for acoustic modeling in speech recognition： the shared views of four research groups[J]. IEEE Signal Processing Magazine， 29（6）：82-97.

LECUN Y， BENGIO Y， HINTON G， 2015. Deep learning[J]. Nature， 521（7553）：436-444.

MATHEW M M， RAO N S，MANDLA V R， 2017. Development of regression equation to study the Total Nitrogen， Total Phosphorus and Suspended Sediment using remote sensing data in Gujarat and Maharashtra coast of India[J]. Journal of Coastal Conservation，21（6）：917-927.

MOHSEN A， ELSHEMY M， ZEIDAN B， 2021. Water quality monitoring of Lake Burullus （Egypt） using Landsat satellite imageries[J]. Environmental Science and Pollution Research，28（13）：15687-15700.

MOSES W J， MILLER W D， 2019. Editorial for the Special Issue \"Remote Sensing of Water Quality\"[J]. Remote Sensing， 11（18）：2178.

PAGE B P， OLMANSON L G，MISHRAD R， 2019.A harmonized image processing workflow using Sentinel-2/MSI and Landsat-8/OLI for mapping water clarity in optically variable lake systems[J]. Remote Sensing of Environment， 231：111284.

PAHLEVAN N， SARKAR S， FRANZ B A， et al， 2017. Sentinel-2 MultiSpectral Instrument （MSI） data processing for aquatic science applications： demonstrations and validations[J]. Remote Sensing of Environment， 201：47-56.

PYO J， DUAN H T， BAEK S， et al， 2019. A convolutional neural network regression for quantifying cyanobacteria using hyperspectral imagery[J]. Remote Sensing of Environment， 233：111350.

QI C H，HUANG S，WANG X F， 2020. Monitoring water qualityparametersofTaihu Lakebased onremotesensingimages and LSTM-RNN[J]. IEEE Access，8：188068- 188081.

SHIK，LIY，LIL，etal，2013.Remotechlorophyll-a estimates forinlandwatersbasedonacluster-basedclassification [J]. Science of the Total Environment， 444：1-15.

SNOEKJ，AROCHELLEH，AAMSRP，etal，2012.racticalBayesianoptimizationofmachine learningalgorithms [C]//Proceedings of the 26th International Conference on Neural Information ProcessingSystems-Volume2.Lake Tahoe，Nevada，ACM：2951-2959.

XUEY，ZHUL，ZOUB，etal，2021.Researchoninversion

mechanism ofchlorophyll：a concentration in waterbodies using a convolutional neural network model[J]. Water， 13（5）：664.

YINGH，XIAK，HUANGX，etal，2021.Evaluationofwater quality based onUAV imagesand the IMP-MPP algorithm [J].Ecological Informatics，61：101239.

YUEJ，YANGG，TIANQ，etal，2019.Estimate ofwinterwheat above-ground biomass based on UAV ultrahighground-resolution image textures and vegetation indices [J]. ISPRS Journal of Photogrammetry and Remote Sensing，150：226-244.

（責任編輯熊美華）

Inverse Model Researchof Chlorophyll-a Concentration Based on UAVMultispectral Data-A Case StudyofNanfei River

XUSheng1，QIANZhenbing1，QINJun1，WANGBiao2

（1.Anhui Ecological and Environment Monitoring Center， Hefei 230071，P.R. China 2. School of resources and environmental engineering，Anhui University，Hefei 23oo39，P.R.China）

Abstract： Chlorophyl-a concentration is a critical indicator of eutrophication and evaluating the trophic status of urban rivers is critical for ecological and environmental protection.We selected two representative sections of Nanfei River in Hefei City for a case study and established a Bayesian-optimized deep neural network （BO-DNN） model to estimate the chlorophyll-a concentration using remote sensing. The model was based on UAV （unmanned aerial vehicle） multispectral remotely sensed images and water quality data measured in-situ in the two river sections.Section A，located in the old urban area， is surrounded by commercial-residential zones and urban parks and Section B is near where the river flows into Chaohu Lake and adjacent to cultivated agricultural land. In August 2O20， June and September 2021， November 2020 and September 2021， water samples and UAV multispectral images were collected at sites A and B. Pearson correlation analysis was used to identify sensitive spectral bands and the band combination exhibiting the highest correlation with chlorophyl-a concentration was selected.The chlorophyll-a concentrations at161 sampling points were determined，and the chlorophyll-a concentrations collcted from Study Area A on September 17，2021，were designated as the validation set.The remaining 142 datasets were partitioned in an 8：2 ratio， with 80% （114 samples） randomly selected as the training set and the remaining 20% （28 samples） allocated as the test set. The model estimated chlorophyll-a accurately and was robust， with a high determination coefficient （R²=0.91 ）， and low mean absolute error （E_MA=0.018mg/L） （2 and root mean square error （ （E_RMS=0.035mg/L） ）. The chlorophyll-a concentrations estimated using the UAV remote sensing，deep learning-based model were highly consistent with those obtained by analyzing field samples. Further， when the training set was greater than or equal to 75% of the total sample set， the accuracy of BO-DNN model showed little variation. However， as the training set decreased to 50% and 25% ， the model accuracy significantly declined， indicating that increasing training set size improved model accuracy.Spatial analysis showed that chlorophyll-a concentration in Nanfei River varied significantly. The high concentration areas in Section A were distributed on both sides of the bridge and in downstream waters influenced by human activities and pollutant inputs.The high concentration areas in Section B were also along both banks ofthe river，near the section center，and at the confluence of tributaries，with pollutant inputs primarily from nonpoint source （PS）agricultural pollution and ship discharges.This study fully assessed the potential of using data from UAV remote sensing images and a BO-DNN model to estimate chlorophyll-a concentration. The results clearly show that it is an effective， efficient method of monitoring chlorophyll-a concentration and trophic status to better manage urban river water quality.

Key words ： inversion of chlorophyll-a concentration; deep learning; drone remote sensing; Nanfei River