趙起超 趙姝雅 劉剋 王延倉 李懷瑞

關(guān)鍵詞： COD; 白洋淀; 實(shí)測光譜; Landsat8; BP神經(jīng)網(wǎng)絡(luò); 遙感監(jiān)測

中圖分類號(hào)： TN98?34 ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2019）03?0056?05

Abstract： By taking Baiyang Lake as the research area， the chemical oxygen demand （COD） inversion model is constructed by using BP neural network， combining actually?measured spectrum， Landsat8 image and COD actually?measured values. The results show that the spectral reflectivity can distinguish the pollution level of COD in water of Baiyang Lake， the average relative error of the value predicted by BP neural network and actually?measured value is 16.5%， and the model has high accuracy. The space distribution of COD concentration in water of Baiyang Lake on 30th October， 2017， is inversed on the basis of the model. The inversion results show that the Baiyang Lake has organic pollution to a certain extent， and the pollution level of part of the water can reach up to V?level， the center of the pollution area locates around villages and scenic spots at the southeast of Baiyang Lake. The main reason to cause COD rising is domestic and industrial sewage in the areas.

Keywords： COD; Baiyang Lake; actually?measured spectrum; Landsat8; BP neural network; remote sensing monitoring

0 ?引 ?言

白洋淀是雄安新區(qū)水生態(tài)系統(tǒng)的核心組成部分，其水質(zhì)狀況關(guān)系著居民生活和工農(nóng)業(yè)生產(chǎn)活動(dòng)。近年來，白洋淀水體富營養(yǎng)化問題日益凸顯[1]，氨氮（NH3?N）、總磷（TP）、化學(xué)需氧量（COD）等水質(zhì)參數(shù)嚴(yán)重超標(biāo)，距離國家要求的Ⅲ類水體紅線較遠(yuǎn)。因此，對(duì)白洋淀進(jìn)行水質(zhì)動(dòng)態(tài)監(jiān)測，實(shí)時(shí)掌握水質(zhì)時(shí)空變化特征顯得尤為重要。水質(zhì)遙感監(jiān)測近年來發(fā)展迅速，該方法基于水質(zhì)參數(shù)與光譜反射率的內(nèi)在聯(lián)系實(shí)現(xiàn)水質(zhì)遙感監(jiān)測[2]，具有經(jīng)濟(jì)、快捷、時(shí)空分布連續(xù)等特點(diǎn)，可避免水質(zhì)采樣分析耗時(shí)、耗力、監(jiān)測局部化等問題。一些學(xué)者通過統(tǒng)計(jì)回歸、智能算法對(duì)葉綠素?a（Chl?a）、懸浮物（SS）、有色可溶性有機(jī)物（CDOM）、化學(xué)需氧量（COD）、總磷（TP）、總氮（TN）、氨氮（NH3?N）等指標(biāo)實(shí)現(xiàn)了直接或間接的衛(wèi)星遙感監(jiān)測[3?4]，并得到了較好的效果。水質(zhì)遙感反演的核心問題是研究水質(zhì)參數(shù)與光譜反射率的響應(yīng)關(guān)系，建立二者的定量模型。因此，在模型建立前，有必要結(jié)合實(shí)測光譜數(shù)據(jù)討論水質(zhì)參數(shù)與光譜反射率的相關(guān)關(guān)系，確定最優(yōu)響應(yīng)波段，以便于提高模型反演精度。

本文以白洋淀為研究區(qū)域，結(jié)合實(shí)測光譜和Landsat8影像，分析COD與光譜反射率的相關(guān)關(guān)系，討論COD反演的原理和可行性，并使用BP神經(jīng)網(wǎng)絡(luò)建立反演模型，據(jù)此進(jìn)行水質(zhì)評(píng)價(jià)分析。

1 ?研究區(qū)概況

白洋淀位于北緯38°43′～39°02′，東經(jīng)115°38′～116°07′，其主體位于河北雄安新區(qū)安新縣境內(nèi)。白洋淀共由143個(gè)大小不等的淀泊組成，總流域面積為31 199平方千米，淀區(qū)水域遼闊，與居民生活區(qū)緊密聯(lián)結(jié)。淀區(qū)主要以農(nóng)業(yè)、養(yǎng)殖業(yè)、旅游業(yè)為主，位于北部的燒車淀是國家5A級(jí)旅游景點(diǎn)。此次采樣路線由北至南依次經(jīng)過燒車淀、安新鎮(zhèn)、端村鎮(zhèn)、趙北口鎮(zhèn)和圈頭鄉(xiāng)，共布設(shè)14個(gè)采樣點(diǎn)位。采樣點(diǎn)分布圖如圖1所示。

2 ?材料與方法

2.1 ?衛(wèi)星數(shù)據(jù)

使用Landsat8多光譜數(shù)據(jù)，時(shí)間為2017年10月30日。經(jīng)查證，在10月30日—31日，采樣區(qū)天氣晴朗，無降雨發(fā)生，所選衛(wèi)星影像云量幾乎為零，衛(wèi)星數(shù)據(jù)質(zhì)量較好。衛(wèi)星數(shù)據(jù)的預(yù)處理主要包括輻射定標(biāo)和大氣校正，輻射定標(biāo)即將衛(wèi)星圖像的數(shù)字量化值轉(zhuǎn)化為輻射亮度值或反射率，大氣校正則是為了去除大氣層中發(fā)生的散射、吸收等對(duì)真實(shí)地物反射率的影響。上述處理均在ENVI 5.1環(huán)境下進(jìn)行。

2.2 ?水樣及光譜采集

在2017年10月30日進(jìn)行水樣和光譜采集，以保證所有數(shù)據(jù)的同步性。采樣時(shí)，使用GPS記錄位置信息，同步采集水樣和光譜。使用采樣器將采集的水體靜置30 min后移至采樣瓶保存并送實(shí)驗(yàn)室分析，本文所分析的COD使用重鉻酸鉀溶液進(jìn)行滴定。使用美國ASD公司的Field Spec地物光譜輻射儀采集光譜，采集時(shí)先對(duì)標(biāo)準(zhǔn)灰板進(jìn)行優(yōu)化，采用水面以上法對(duì)每個(gè)點(diǎn)位采集10次并求平均值作為最終結(jié)果。為減少環(huán)境因素帶來的影響，對(duì)光譜數(shù)據(jù)使用均值歸一化方法進(jìn)行處理[5]。

3 ?結(jié)果與分析

3.1 ?實(shí)測光譜分析

COD是表征水體中還原性物質(zhì)總量的化學(xué)指標(biāo)，地表水中還原性物質(zhì)以有機(jī)物為主，因此COD常用于表示水體有機(jī)污染程度。如表1所示，14個(gè)實(shí)驗(yàn)點(diǎn)位中僅有3個(gè)達(dá)到Ⅲ類水體標(biāo)準(zhǔn)（COD≤20 mg·L-1），其余均不達(dá)標(biāo)，其中5個(gè)達(dá)到劣V類水體（COD>40 mg·L-1），表明水體有機(jī)污染程度較高。

歸一化光譜曲線如圖2所示。圖2a）為各點(diǎn)位歸一化光譜曲線，白洋淀水體光譜呈現(xiàn)內(nèi)陸水體的典型特征，在近紅外波段，反射率遠(yuǎn)大于0，并且受Chl?a，SS，CDOM等光學(xué)活性物質(zhì)影響，譜線具有明顯的峰和谷[6]：570 nm處出現(xiàn)最高反射峰，是由于藻類色素、懸浮物等發(fā)生散射作用;660 nm處有反射谷，是由于Chl?a在紅波段的強(qiáng)吸收;700 nm處有反射峰，是由于Chl?a熒光效應(yīng)以及Chl?a與水在該處吸收系數(shù)之和最小。

將各點(diǎn)位按COD濃度分為三組，即A組（COD>35 mg·L-1），B組（20 mg·L-1<COD≤35 mg·L-1）和C組（COD≤20 mg·L-1），依次代表重度污染、中度污染和清潔水體，在每一組內(nèi)將光譜數(shù)據(jù)求平均值并繪制光譜曲線（見圖2b））。從圖2b）可以看出，光譜反射率與COD污染程度有著較好的對(duì)應(yīng)關(guān)系，在近紅外波段820～900 nm，反射率為[C>B>A]，即污染越重的水體反射率越低;在波峰范圍500～660 nm和700 nm處，反射率為[A>B>C]，即污染越重的水體反射率越高;在波谷范圍650～680 nm，光譜反射率為[C>B>A]，即污染越重水體反射率越低。

上述現(xiàn)象表明，白洋淀水體的COD污染程度可通過光譜反射率區(qū)分，這主要與COD與有機(jī)物以及Chl?a存在內(nèi)在聯(lián)系有關(guān)。COD濃度取決于水體可溶性有機(jī)物總量，后者含有大量氫基團(tuán)（如C—H），其在近紅外區(qū)的倍頻與合頻會(huì)發(fā)生光譜吸收，雖然水含有羥基，但水分子極性較強(qiáng)，對(duì)中紅外區(qū)的影響更大，在近紅外區(qū)影響相對(duì)較弱[7]，因此隨著有機(jī)物總量提升，COD濃度升高，導(dǎo)致水體在近紅外區(qū)反射率降低。由于Chl?a及其他藻類色素的散射、吸收作用，本文光譜數(shù)據(jù)在綠波段（570 nm）、紅波段（660 nm和700 nm）出現(xiàn)特征峰和特征谷，浮游植物的新陳代謝會(huì)釋放有機(jī)物，而Chl?a可以反映浮游植物存量高低，從該過程講COD是Chl?a的被動(dòng)因子，文獻(xiàn)[1]在白洋淀的實(shí)測數(shù)據(jù)發(fā)現(xiàn)，COD與Chl?a存在明顯的正相關(guān)關(guān)系，也說明這一點(diǎn)。因此，在圖2b）中的波峰范圍，COD污染程度較重的水體反射率高，而在波谷位置，COD污染程度較重的反射率低。因此，白洋淀水體的COD污染程度可通過光譜反射率加以區(qū)分，而綠波段、紅波段和近紅外波段可能是反演COD濃度的敏感波段。

3.2 ?衛(wèi)星反演模型建立

3.2.1 ?相關(guān)性分析

將采樣點(diǎn)分為訓(xùn)練樣本和驗(yàn)證樣本，Landsat8 OLI數(shù)據(jù)前7個(gè)波段包括可見光至近紅外范圍，分別用[B1～B7]表示，如表2所示。隨COD濃度升高，各波段反射率總體呈下降趨勢，這是由于有機(jī)污染導(dǎo)致水體顏色加深，呈黑色、藍(lán)黑色，因此反射率較清潔水體要更低[8]。

表3為衛(wèi)星光譜反射率與COD濃度的相關(guān)系數(shù)，這里考慮單波段以及波段組合[Bi+Bj]，[Bi-Bj]，[ln（Bi*Bj）]和[ln（BiBj）]，由于組合種類較多，僅列出相關(guān)性較好的結(jié)果。單波段反射率同COD的相關(guān)性較差，僅有[B3，B4]和[B7]在[p=]0.05水平顯著，其余波段均未通過顯著性水平檢驗(yàn)。經(jīng)波段組合后，相關(guān)性明顯提升，其中[B1+B7]，[B2+B7]和[B4+B7]的[r]值均達(dá)到或接近0.8，并在[p=]0.01水平顯著，這三種組合主要包括藍(lán)、綠和近紅外波段，這與前文光譜的分析結(jié)果是一致的。

3.2.2 ?BP神經(jīng)網(wǎng)絡(luò)模型

使用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建COD遙感反演模型，根據(jù)上述分析結(jié)果，選擇相關(guān)性最顯著的[B1+B7]，[B2+B7]和[B4+B7]作為輸入，COD作為輸出。將學(xué)習(xí)速率設(shè)為0.01，這是因?yàn)閷W(xué)習(xí)速率低于0.05會(huì)導(dǎo)致計(jì)算速率過慢，而高于0.10時(shí)泛化能力和準(zhǔn)確性較差[9]。為避免過擬合，本文選擇單隱層的網(wǎng)絡(luò)結(jié)構(gòu)。理論證明，該結(jié)構(gòu)可以逼近任何有理函數(shù)[10]。隱含層單元數(shù)經(jīng)逐步試湊最終確定為3，訓(xùn)練函數(shù)選取“trainbr”，該函數(shù)引入貝葉斯正則化，能在一定程度上抑制過擬合，隱含層選用S型函數(shù)“tansig”，輸出層選用線性函數(shù)“purelin”，訓(xùn)練步長設(shè)為1 000，COD訓(xùn)練目標(biāo)為0.01。最終擬合出的模型擬合優(yōu)度[R2]為0.708，均方根誤差RMSE為5.88。

4 ?討 ?論

4.1 ?模型檢驗(yàn)

引入驗(yàn)證樣本對(duì)模型進(jìn)行校驗(yàn)，統(tǒng)計(jì)結(jié)果如表4所示。

結(jié)果顯示，訓(xùn)練樣本和驗(yàn)證樣本的平均相對(duì)誤差分別為19.2%和9.7%，而全體的平均誤差為16.5%?？傮w來看，模型精度較好，大部分點(diǎn)位平均誤差小于20%，僅個(gè)別點(diǎn)位誤差較大。造成誤差可能因?yàn)檩斎胍蜃舆x取了[B1+B7]和[B2+B7]，[B1]和[B2]波長較小，受大氣散射影響較大;另外，白洋淀水體形態(tài)復(fù)雜，中間散落村鎮(zhèn)、葦田、臺(tái)地等，這些外部環(huán)境因素均會(huì)影響反射率，從而引起誤差。

4.2 ?模型應(yīng)用

基于BP神經(jīng)網(wǎng)絡(luò)模型生成的2017年10月30日白洋淀水體COD濃度分布圖如圖3所示。從整體來看，白洋淀部分區(qū)域COD已達(dá)劣V類水體，區(qū)域水環(huán)境不容樂觀。從空間分布上來看，燒車淀及白洋淀中部、西部水質(zhì)較好，東南部污染較重，劣V類水體中心主要位于村鎮(zhèn)或旅游景點(diǎn)，如李廣村、梁莊村等為劣V類，王家寨度假村和荷花淀休閑島附近為V類?劣V類，表明水質(zhì)受人類活動(dòng)影響較為明顯，村鎮(zhèn)和旅游景點(diǎn)人口稠密，各類生產(chǎn)、生活活動(dòng)較強(qiáng)，向水體中排放大量有機(jī)物，引起COD濃度升高。

5 ?結(jié) ?論

本文基于實(shí)測光譜和Landsat8影像，分析了光譜反射率和COD濃度相關(guān)關(guān)系。實(shí)測光譜數(shù)據(jù)表明，由于COD與可溶性有機(jī)物、Chl?a存在內(nèi)在聯(lián)系，光譜反射率可以較好地區(qū)分白洋淀水體COD污染程度。基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建白洋淀COD遙感反演模型，模型擬合度[R2=]0.708，模型整體精度較好，僅對(duì)個(gè)別點(diǎn)位存在一定誤差?？傮w來看，模型具備對(duì)COD較好的預(yù)測能力，可用于反映白洋淀COD的總體狀況。最終結(jié)果顯示，白洋淀水體有機(jī)污染程度較重，多個(gè)區(qū)域COD已達(dá)到劣V類水體，且劣V類水體中心多位于村鎮(zhèn)和旅游景點(diǎn)，表明白洋淀水質(zhì)受人類活動(dòng)影響較為明顯，應(yīng)加強(qiáng)相關(guān)管理工作。

參考文獻(xiàn)

[1] 楊麗偉，陳詩越.白洋淀水環(huán)境質(zhì)量評(píng)價(jià)[J].南水北調(diào)與水利科技，2015，13（3）：457?462.

YANG Liwei， CHEN Shiyue. Assessment of water environment quality of Baiyang Lake [J]. South?to?north water transfers and water science and technology， 2015， 13（3）： 457?462.

[2] PALMER S C J， KUTSER T， HUNTER P D. Remote sensing of inland waters： challenges， progress and future directions [J]. Remote sensing of environment， 2015， 157： 1?8.

[3] 岳佳佳，龐博，張艷君，等.基于神經(jīng)網(wǎng)絡(luò)的寬淺型湖泊水質(zhì)反演研究[J].南水北調(diào)與水利科技，2016，14（2）：26?31.

YUE Jiajia， PANG Bo， ZHANG Yanjun， et al. Water quality inversion in wide and shallow lake based on artificial neural network [J]. South?to?north water transfers and water science & technology， 2016， 14（2）： 26?31.

[4] 張麗華，武捷春，包玉海，等.基于MODIS數(shù)據(jù)的烏梁素海水體遙感監(jiān)測[J].環(huán)境工程，2016，34（3）：161?165.

ZHANG Lihua， WU Jiechun， BAO Yuhai， et al. Water monitoring based on MODIS remote sensing image in Wuliangsuhai Lake [J]. Environmental engineering， 2016， 34（3）： 161?165.

[5] 唐軍武，田國良，汪小勇，等.水體光譜測量與分析Ⅰ：水面以上測量法[J].遙感學(xué)報(bào)，2004，8（1）：37?44.

TANG Junwu， TIAN Guoliang， WANG Xiaoyong， et al. The methods of water spectra measurement and analysis Ⅰ： above?water method [J]. Journal of remote sensing， 2004， 8（1）： 37?44.

[6] 馬榮華.湖泊水環(huán)境遙感[M].北京：科學(xué)出版社，2010：85?86.

MA Ronghua. Lake water environment remote sensing [M]. Beijing： Science Press， 2010： 85?86.

[7] 嚴(yán)衍祿.近紅外光譜分析基礎(chǔ)與應(yīng)用[M].北京：中國輕工業(yè)出版社，2005.

YAN Yanlu. The basis and application of near infrared spectroscopy [M]. Beijing： China Light Industry Press， 2005.

[8] 王云鵬，閔育順，傅家謨，等.水體污染的遙感方法及在珠江廣州河段水污染監(jiān)測中的應(yīng)用[J].遙感學(xué)報(bào)，2001，5（6）：460?465.

WANG Yunpeng， MIN Yushun， FU Jiamo， et al. Remote sensing method of water pollution and application on water pollution monitoring in Guangzhou Section of Pearl River [J]. Journal of remote sensing， 2001， 5（6）： 460?465.

[9] DIN E S E， ZHANG Y， SULIMAN A. Mapping concentrations of surface water quality parameters using a novel remote sen?sing and artificial intelligence framework [J]. International journal of remote sensing， 2017， 38（4）： 1023?1042.

[10] HORNIK K， STINCHCOMBE M， WHITE H. Multilayer feedforward networks are universal approximators [J]. Neural networks， 1989， 2（5）： 359?366.