肖 瀟，徐 堅(jiān),2，3，趙登忠，3，趙保成，3，徐 健，3，程學(xué)軍，3，李國(guó)忠，3

(1.長(zhǎng)江科學(xué)院 空間信息技術(shù)應(yīng)用研究所，武漢 430010； 2.武漢大學(xué) 水利水電學(xué)院，武漢 430079； 3.武漢市智慧流域工程技術(shù)研究中心，武漢 430010)

1 研究背景

濁度是河流水環(huán)境監(jiān)測(cè)重要水質(zhì)參數(shù)之一[1]，且與懸浮物之間存在密切聯(lián)系[2-6]。對(duì)濁度變化分析有助于了解水體總懸浮物或沉積物分布情況，進(jìn)而為研究水體中污染物沉降、分解和擴(kuò)散等行為提供有效信息。因此，監(jiān)測(cè)濁度空間分布情況對(duì)于水體污染管控具有重要意義。

濁度時(shí)空分布特異性很強(qiáng)，具有強(qiáng)季節(jié)變化特性[7]，常規(guī)采樣加實(shí)驗(yàn)室分析法不能準(zhǔn)確表征濁度時(shí)空變化情況。因此，將遙感技術(shù)應(yīng)用于濁度估算，可為研究人員提供其時(shí)空動(dòng)態(tài)變化情況。與其他水質(zhì)參數(shù)(如葉綠素a、懸浮物、溶解性有機(jī)物)相比，濁度遙感反演研究開(kāi)展較晚，但也取得了一定成果?；贛ODIS數(shù)據(jù)、TM數(shù)據(jù)、ERS-2 SAR數(shù)據(jù)等作為遙感數(shù)據(jù)源，研究人員在芬蘭湖[8]、芬蘭灣[9]、法國(guó)Adour河口[10]、巴西多斯河流域[11]等區(qū)域開(kāi)展水體濁度遙感反演研究，結(jié)果顯示反演精度尚可。我國(guó)研究人員在濁度遙感反演研究中采用多光譜數(shù)據(jù)和實(shí)測(cè)高光譜數(shù)據(jù)，在我國(guó)查干湖[12]、官?gòu)d水庫(kù)[13]、北部灣[14]、珠江口[15]、東昌湖[16]、漢江干流[17]、東中國(guó)海[18]、太湖流域[19]、長(zhǎng)江口及東海[20]等水域，基于經(jīng)驗(yàn)法和機(jī)器學(xué)習(xí)法構(gòu)建了水體濁度反演模型，并根據(jù)反演結(jié)果分析研究區(qū)濁度空間分布情況。

前期研究成果表明，多光譜遙感數(shù)據(jù)由于具有較高空間分辨率、時(shí)間分辨率且更易獲取等特性，在實(shí)際應(yīng)用中被廣泛采用，成為水體水質(zhì)遙感業(yè)務(wù)化監(jiān)測(cè)主要數(shù)據(jù)來(lái)源。在反演方法方面，目前常見(jiàn)的濁度遙感反演研究多通過(guò)經(jīng)驗(yàn)法構(gòu)建單一模型進(jìn)行直接反演，但這些單一模型在模擬與預(yù)測(cè)中表現(xiàn)出的精度不一致，導(dǎo)致各單一模型的反演能力均存在一定局限性、實(shí)際應(yīng)用存在不確定性，反演精度或延展性往往不夠理想[21]。因此，集合各模型優(yōu)勢(shì)、提高模型精度、降低模型在實(shí)際應(yīng)用中的不確定性具有重要意義。研究表明，起源于氣象預(yù)報(bào)領(lǐng)域的集合建模通過(guò)綜合各模型信息，可有效提高模型模擬精度和模型穩(wěn)定性[22-27]，綜合利用各種模型所提供的信息而構(gòu)建的聯(lián)合反演模型將在模擬精度、模型穩(wěn)定性及擴(kuò)展性上較單一模型更具優(yōu)勢(shì)。

基于此，本文選擇漢江中下游典型河段為研究區(qū)，利用2012—2013年原位觀測(cè)數(shù)據(jù)，以具有較高時(shí)間分辨率和空間分辨率的國(guó)產(chǎn)衛(wèi)星數(shù)據(jù)作為多光譜遙感數(shù)據(jù)源，在水體光譜特征和濁度敏感波段分析的基礎(chǔ)上，綜合利用各種單一模型信息，構(gòu)建水體濁度多光譜遙感聯(lián)合反演模型，分析模型反演精度、適用性及穩(wěn)定性，并基于反演結(jié)果分析水質(zhì)參數(shù)濃度時(shí)空分布特點(diǎn)。

2 研究區(qū)與數(shù)據(jù)

2.1 研究區(qū)

漢江是長(zhǎng)江中游最大支流，干流主要位于湖北省境內(nèi)，全長(zhǎng)652 km，流域面積6.4萬(wàn)km2，約占湖北省國(guó)土面積的40%[28-30]。其中丹江口水庫(kù)至鐘祥河段為中游，長(zhǎng)約270 km，流經(jīng)低山丘崗，水量和含沙量大增，河道不穩(wěn)定；下游為鐘祥以下河段，長(zhǎng)約382 km，流經(jīng)漢江平原，水流交換，曲流發(fā)育，汛期洪水在此聚集，宣泄不暢，易發(fā)洪澇災(zāi)害。

改革開(kāi)放以來(lái)，漢江流域經(jīng)濟(jì)迅速發(fā)展，漢江中下游周邊如襄陽(yáng)、鐘祥等城市工業(yè)發(fā)展迅猛，出現(xiàn)了大量污染嚴(yán)重的中小企業(yè)，加上固有老污染企業(yè)，工業(yè)廢水排放量不斷增加，使中下游河段受到不同程度污染。且伴隨南水北調(diào)中線工程運(yùn)行，漢江中下游江段流量減少，流速變緩，水體對(duì)沿岸污染物的稀釋、自凈能力變?nèi)?，區(qū)域水環(huán)境面臨著更大挑戰(zhàn)。

2.2 數(shù) 據(jù)

2.2.1 原位觀測(cè)數(shù)據(jù)

根據(jù)長(zhǎng)時(shí)間序列漢江中下游水體水質(zhì)變化情況及野外實(shí)地調(diào)查結(jié)果，預(yù)設(shè)漢江中下游典型河段采樣區(qū)域(潛江至仙桃段)、采樣點(diǎn)。水質(zhì)數(shù)據(jù)采集日期為2012年3月26—27日、5月16—17日、11月19—20日，2013年4月27—28日、6月13—14日、11月18—19日，濁度通過(guò)便攜式水質(zhì)分析儀測(cè)得。使用美國(guó)ASD公司ASD- fieldspec4野外便攜式光譜測(cè)量?jī)x采集水體高光譜數(shù)據(jù)；水體光譜測(cè)量采用水面以上測(cè)量法[31-33]。采樣點(diǎn)布設(shè)見(jiàn)圖1，實(shí)測(cè)水質(zhì)數(shù)據(jù)統(tǒng)計(jì)見(jiàn)表1。

表1 實(shí)測(cè)濁度統(tǒng)計(jì)Table 1 Statistics of turbidity in Hanjiang River

圖1 漢江研究區(qū)采樣點(diǎn)分布Fig.1 Locations of sampling sites in Hanjiang River

2.2.2 衛(wèi)星遙感數(shù)據(jù)

根據(jù)各研究區(qū)采樣時(shí)間及國(guó)產(chǎn)衛(wèi)星數(shù)據(jù)獲取情況，本文以漢江中下游典型河段為研究區(qū)，選用HJ-1A/1B CCD數(shù)據(jù)、GF-1 WFV數(shù)據(jù)和ZY-3 MUX數(shù)據(jù)作為遙感數(shù)據(jù)源(相關(guān)傳感器基本參數(shù)可從中國(guó)資源衛(wèi)星應(yīng)用中心網(wǎng)站(http:∥www.cresda.com/CN/)獲得。本文使用的多光譜影像數(shù)據(jù)與采樣日期對(duì)應(yīng)情況見(jiàn)表2。

表2 多光譜影像數(shù)據(jù)與采樣日期對(duì)應(yīng)情況Table 2 Multi-spectral image data and corresponding sampling time

3 模型與方法

3.1 CM-BP模型

集合建模的關(guān)鍵在于集合方法的選擇，即各模型權(quán)重確定方法，常用集合方法有平均法[34-38]、熵權(quán)法[39-40]、集對(duì)分析法[41]、遺傳算法[42-43]、神經(jīng)網(wǎng)絡(luò)[44-46]和粒子群算法[47-49]等。通過(guò)對(duì)比常用集合方法可知，神經(jīng)網(wǎng)絡(luò)算法特有的非線性映射和自適應(yīng)學(xué)習(xí)能力優(yōu)勢(shì)，可有效結(jié)合各單模型有效信息，既可以弱化單一模型對(duì)預(yù)測(cè)結(jié)果的影響，又可以避免預(yù)測(cè)結(jié)果對(duì)單一模型的過(guò)度依賴，能最大程度發(fā)揮各模型優(yōu)勢(shì)；同時(shí)神經(jīng)網(wǎng)絡(luò)算法能夠快速完成大量運(yùn)算，且使用方便、操作簡(jiǎn)單。

本文從單波段和多波段組合等角度引入多種單一模型，進(jìn)行單一模型適用性分析，以相關(guān)性較大(R>0.6)的單一模型作為聯(lián)合模型輸入。對(duì)比常見(jiàn)的集合方法，綜合考慮模擬精度高、使用方便、操作簡(jiǎn)單等因素，選擇BP神經(jīng)網(wǎng)絡(luò)算法作為集合方法構(gòu)建內(nèi)陸水體水質(zhì)參數(shù)多光譜聯(lián)合模型(CM-BP)。根據(jù)聯(lián)合模型通用式(1)可知，求解最優(yōu)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的過(guò)程即為確定最優(yōu)權(quán)重ωi的過(guò)程。聯(lián)合模型通用表達(dá)式為

(1)

式中:Y表示聯(lián)合模型;Xi表示參與聯(lián)合模型構(gòu)建的單一模型;ωi表示賦予每個(gè)單一水質(zhì)參數(shù)反演模型Xi的權(quán)重；N為模型數(shù)。

此外，為補(bǔ)充部分同步遙感數(shù)據(jù)缺失問(wèn)題，同時(shí)也為降低不同傳感器設(shè)置與大氣校正對(duì)反演精度的影響，本文根據(jù)2013年實(shí)測(cè)高光譜數(shù)據(jù)以及被選用的傳感器光譜響應(yīng)函數(shù)模擬多光譜數(shù)據(jù)，再結(jié)合野外實(shí)測(cè)水質(zhì)參數(shù)數(shù)據(jù)，構(gòu)建基于多光譜數(shù)據(jù)的漢江水體濁度聯(lián)合反演模型。

本文以適當(dāng)方式篩選、集合多種水質(zhì)參數(shù)反演模型，綜合利用各種模型所提供的信息而構(gòu)建的聯(lián)合反演模型將在模擬精度、模型穩(wěn)定性及擴(kuò)展性上較單一模型更具優(yōu)勢(shì)。

3.2 波段匹配分析

本文使用2012—2013年實(shí)測(cè)水質(zhì)及光譜數(shù)據(jù)，采用變量投影重要性指數(shù)法提取研究區(qū)水體濁度敏感波段，該指數(shù)計(jì)算公式為

式中:VIP是變量投影重要性指數(shù)；p是自變量個(gè)數(shù)；m是偏最小二乘法從原變量中提取的成分個(gè)數(shù)；th代表第h個(gè)成分；R(Y,th)代表成分th對(duì)因變量Y的解釋能力，為二者相關(guān)系數(shù)的平方；whj是軸wh的第j個(gè)分量，用于測(cè)度第j個(gè)自變量對(duì)構(gòu)造th成分的邊際貢獻(xiàn)。已知第j個(gè)自變量對(duì)Y的解釋通過(guò)th傳遞，如果th對(duì)Y的解釋能力很強(qiáng)，而第j個(gè)自變量在構(gòu)造th時(shí)又起到了重要作用，就認(rèn)為該自變量對(duì)Y的解釋能力被視為很大，它在解釋因變量Y的時(shí)候具有更加重要的作用[50]。

通過(guò)篩選，研究區(qū)水體濁度敏感波段為549、560～607、615～645、673～677、688～693、772～778、817～819、821～822、824 nm等波段區(qū)域。根據(jù)上述篩選結(jié)果，討論各多光譜數(shù)據(jù)波段與濁度敏感波段的匹配情況，分析各衛(wèi)星數(shù)據(jù)適宜性。敏感波段與HJ-1A/B CCD數(shù)據(jù)、ZY-3 MUX數(shù)據(jù)和GF-1 WFV數(shù)據(jù)波段匹配情況見(jiàn)圖2。

圖2 濁度敏感波段與多光譜數(shù)據(jù)波段匹配情況Fig.2 Matching of sensitive bands and multi-spectral data bands for turbidity

從圖2可以看出，HJ-1A/B CCD數(shù)據(jù)、GF-1 WFV數(shù)據(jù)和ZY-3 MUX數(shù)據(jù)波段設(shè)置類(lèi)似，且基本覆蓋了濁度的敏感波段。因此，這幾種多光譜數(shù)據(jù)可用于開(kāi)展?jié)岫确囱?。根?jù)匹配情況，選用B2、B3、B4波段構(gòu)建濁度反演模型。

3.3 光譜重采樣方法

根據(jù)多光譜傳感器各波段響應(yīng)函數(shù)，將實(shí)測(cè)高光譜數(shù)據(jù)重采樣至多光譜數(shù)據(jù)。多光譜傳感器各波段響應(yīng)函數(shù)計(jì)算公式為

(3)

式中:Ri為傳感器第i波段反射率;φi(λ)為第i波段在波長(zhǎng)λ處的響應(yīng)函數(shù);r(λ)為波長(zhǎng)λ處的反射率。

3.4 模型精度驗(yàn)證方法

利用實(shí)測(cè)水質(zhì)數(shù)據(jù)及多光譜數(shù)據(jù)構(gòu)建水質(zhì)參數(shù)反演模型，其中3/4樣本用于建模，剩余1/4樣本用于驗(yàn)證。模擬結(jié)果的優(yōu)劣及模型性能采用決定系數(shù)(R2)、均方根誤差(RMSE)、相對(duì)誤差(RE)和平均相對(duì)誤差(ARE)進(jìn)行評(píng)價(jià)。相關(guān)計(jì)算公式見(jiàn)式(4)—式(7)。

(4)

(5)

(6)

(7)

4 結(jié)果與討論

4.1 CM-BP模型構(gòu)建與分析

以HJ-1A/B CCD數(shù)據(jù)、GF-1 WFV數(shù)據(jù)和ZY-3 MUX數(shù)據(jù)B2、B3、B4波段反射率模擬值作為反演模型建模參數(shù)，從單波段、多波段組合等角度引入多種單一模型。分析這些單一模型與水質(zhì)參數(shù)濃度之間的相關(guān)性，挑選相關(guān)系數(shù)較高(R>0.6)的單一模參與聯(lián)合反演模型構(gòu)建，即作為BP神經(jīng)網(wǎng)絡(luò)輸入層。基于相關(guān)性分析，選取相關(guān)性>0.6的組合作為BP神經(jīng)網(wǎng)絡(luò)輸入，對(duì)應(yīng)樣本濁度作為輸出層神經(jīng)元。

3種衛(wèi)星數(shù)據(jù)的入選波段組合形式分別如下：HJ-1A/B CCD數(shù)據(jù)入選波段組合形式為B3/B2、B2/B3、(B3+B4)/B2、B2/B4、B3/B4、(B3+B4)·ln(B2)等6種，GF-1 WFV數(shù)據(jù)入選波段組合形式為B3/B2、B2/B3、(B3+B4)/B2、B2/B4、(B3+B4)·ln(B2)等5種，ZY-3 MUX數(shù)據(jù)入選波段組合形式為B3/B2、B2/B3、(B3+B4)/B2、B2/B4 這4種。以上述波段組合形式為BP神經(jīng)網(wǎng)絡(luò)輸入層，經(jīng)過(guò)多次迭代及網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整，求得最優(yōu)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。求解最優(yōu)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，即確定網(wǎng)絡(luò)層數(shù)、神經(jīng)元數(shù)目、每層激勵(lì)函數(shù)和學(xué)習(xí)速率等BP神經(jīng)網(wǎng)絡(luò)基本參數(shù)。在進(jìn)行訓(xùn)練之前，通常會(huì)先確定網(wǎng)絡(luò)層數(shù)，再通過(guò)調(diào)整隱含層中的神經(jīng)元數(shù)目來(lái)提高計(jì)算精度，這樣不僅容易調(diào)整，訓(xùn)練效果也更易觀察，從BP神經(jīng)網(wǎng)絡(luò)構(gòu)成可知，多層網(wǎng)絡(luò)適用于解決非線性問(wèn)題，但過(guò)多網(wǎng)絡(luò)層數(shù)又會(huì)使網(wǎng)絡(luò)復(fù)雜化，延長(zhǎng)網(wǎng)絡(luò)訓(xùn)練的時(shí)間；而在激勵(lì)函數(shù)和輸出層函數(shù)的選擇上，研究人員多采用具有非線性放大系數(shù)功能的S型函數(shù)為激勵(lì)函數(shù)，線性激活函數(shù)為輸出層函數(shù)。據(jù)此，本文使用包含一個(gè)隱含層的BP神經(jīng)網(wǎng)絡(luò)(即網(wǎng)絡(luò)層數(shù)為3層)，根據(jù)網(wǎng)絡(luò)結(jié)構(gòu)及實(shí)際情況，通過(guò)調(diào)整神經(jīng)元個(gè)數(shù)，訓(xùn)練函數(shù)和其余參數(shù)來(lái)求得最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)。為使不同算法擬合結(jié)果具有可比性，確定學(xué)習(xí)速率為0.05，目標(biāo)誤差為0.000 5。

從神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)果可看出，基于不同衛(wèi)星傳感器的網(wǎng)絡(luò)的基本參數(shù)和訓(xùn)練次數(shù)不盡相同，但隱含層神經(jīng)元個(gè)數(shù)相近(5個(gè)或6個(gè))，訓(xùn)練函數(shù)均為traingdx函數(shù)，可認(rèn)為traingdx函數(shù)的擬合精度高、適用性強(qiáng)，性能穩(wěn)定。從擬合結(jié)果可看出，基于不同衛(wèi)星傳感器的反演精度均>0.9，平均誤差均<10%，擬合精度高；在濁度較低時(shí)，反演誤差均有增大，但結(jié)果仍在可信范圍內(nèi)，表明CM-BP模型對(duì)于不同濃度的水質(zhì)參數(shù)適應(yīng)性較好。BP神經(jīng)網(wǎng)絡(luò)具體參數(shù)見(jiàn)表3。CM-BP模型擬合情況見(jiàn)圖3。

表3 CM-BP模型結(jié)構(gòu)及精度Table 3 Structure and precision of CM-BP model

圖3 CM-BP模型濁度擬合情況Fig.3 Fitting of CM-BP model for turbidity

4.2 波段組合模型構(gòu)建與分析

以相關(guān)性最高的波段組合構(gòu)建濁度反演模型，從擬合結(jié)果來(lái)看，參與建模的波段組合均為B3/B2，這主要是因?yàn)?種衛(wèi)星傳感器的波段設(shè)置類(lèi)似；波段組合模型的擬合精度低于CM-BP模型，且在濁度較低的情況下，擬合誤差變大，這是由于波段組合模型是基于統(tǒng)計(jì)回歸構(gòu)建的，模型對(duì)于參與計(jì)算的樣本點(diǎn)有較大的依賴，穩(wěn)定性略差。濁度擬合情況見(jiàn)圖4。擬合公式如表4。

圖4 基于波段組合模型濁度擬合情況Fig.4 Fitting of combined-band models for turbidity

表4 濁度多波段組合反演模型及精度Table 4 Band-combined models and their precision

4.3 模型驗(yàn)證及評(píng)價(jià)

利用剩余樣本對(duì)上述模型進(jìn)行驗(yàn)證。從建模結(jié)果及驗(yàn)證結(jié)果可以看出，在反演精度方面，CM-BP模型的精度更高(R2均在0.9以上)，波段組合模型建模精度對(duì)應(yīng)決定系數(shù)R2僅在0.6左右，驗(yàn)證精度決定系數(shù)在0.8左右；在適應(yīng)性方面，CM-BP模型優(yōu)于波段組合模型，主要表現(xiàn)在當(dāng)濁度濃度較低時(shí)，兩種模型的反演誤差均增大，CM-BP模型的反演結(jié)果仍在可信范圍內(nèi)，而波段組合模型的反演結(jié)果不可接受；在模型穩(wěn)定性方面，CM-BP模型的建模和反演精度較為一致，波段組合模型的預(yù)測(cè)精度高于建模精度，說(shuō)明模型對(duì)于參與計(jì)算的樣本點(diǎn)有較大的依賴，穩(wěn)定性較差。綜合比較兩種模型，認(rèn)為CM-BP模型性能更優(yōu)。驗(yàn)證結(jié)果見(jiàn)表5。

表5 模型驗(yàn)證結(jié)果Table 5 Verification of retrieval models

4.4 漢江中下游濁度時(shí)空分布

根據(jù)前述構(gòu)建的濁度聯(lián)合反演模型，使用同步多光譜影像開(kāi)展研究區(qū)水體濁度模擬及時(shí)空變化分析。根據(jù)所構(gòu)建的濁度聯(lián)合反演模型，使用多源同步多光譜數(shù)據(jù)開(kāi)展研究區(qū)水體濁度模擬，并制作濁度時(shí)空分布專(zhuān)題圖(見(jiàn)圖5)。反演結(jié)果表明，春季采樣期，研究區(qū)水體濁度主要處于20.00～50.00 NTU范圍，潛江河段濁度略低于仙桃河段，主要處于20.00～40.00 NTU范圍，仙桃河段主要處于30.00～50.00 NTU范圍；夏季采樣期，研究區(qū)濁度略高于春季，水體濁度主要處于40.00～60.00 NTU范圍，其中潛江河段略高于仙桃河段，主要在45.00～60.00 NTU之間，仙桃河段在45.00 NTU左右；秋季采樣期，水體濁度主要處于15.00～25.00 NTU范圍，顯著低于春、夏兩季，潛江河段濁度略高于仙桃河段。對(duì)比反演結(jié)果與實(shí)測(cè)數(shù)據(jù)，兩者較為符合，說(shuō)明CM-BP可以較為準(zhǔn)確地反映濁度的空間分布狀況。

圖5 濁度時(shí)空分布情況Fig.5 Temporal-spatial distribution of turbidity

此外，從圖5 (b)—圖5(f)可以看出，基于不同時(shí)空分辨率多光譜影像數(shù)據(jù)得到的濁度的空間分布在整體上趨勢(shì)基本一致，說(shuō)明CM-BP聯(lián)合反演模型可同時(shí)適用于3種不同的衛(wèi)星數(shù)據(jù)，對(duì)不同時(shí)空分辨率數(shù)據(jù)的適應(yīng)性較強(qiáng)。基于3種衛(wèi)星遙感數(shù)據(jù)的反演結(jié)果雖在整體趨勢(shì)上基本一致，但從反演結(jié)果可以看出(以仙桃段為例，“W”型河段)，基于HJ-1A/B CCD數(shù)據(jù)在河流水體邊界處的反演結(jié)果偏低，而基于ZY-3 MUX和GF-1 WFV數(shù)據(jù)未出現(xiàn)這種情況。這主要是由于所選取的研究區(qū)域河段寬度最窄處不足150 m(平水期)，水體寬度較窄，HJ-1A/B CCD數(shù)據(jù)較低的空間分辨率將影響河流水體邊界的準(zhǔn)確提取，進(jìn)而影響水體濁度反演精度，導(dǎo)致最終邊界處反演結(jié)果偏低。空間分辨率的提高在一定程度上可以提高反演精度，故空間分辨率亦是一個(gè)重要的數(shù)據(jù)源選擇因素。

5 結(jié)論與展望

本文引入集合建模思想，通過(guò)相關(guān)分析和神經(jīng)網(wǎng)絡(luò)算法對(duì)單一模型進(jìn)行分析、聯(lián)合，構(gòu)建基于衛(wèi)星多光譜影像數(shù)據(jù)的內(nèi)陸水體水質(zhì)參數(shù)聯(lián)合反演模型(CM-BP)，以漢江中下游典型河段為研究區(qū)，利用實(shí)測(cè)水質(zhì)、高光譜數(shù)據(jù)，以及國(guó)產(chǎn)衛(wèi)星多光譜數(shù)據(jù)開(kāi)展?jié)岫冗b感反演研究，得到如下主要結(jié)論：

(1)CM-BP模型反演精度顯著高于波段組合模型反演精度；CM-BP模型適應(yīng)性更強(qiáng)，當(dāng)濁度濃度較低時(shí)，濁度反演誤差增大，但CM-BP模型反演結(jié)果仍在可信范圍內(nèi)，而波段組合模型反演結(jié)果不可接受；模型穩(wěn)定性方面，CM-BP模型建模和反演精度較為一致，波段組合模型預(yù)測(cè)精度和建模精度存在一定差別，說(shuō)明波段組合模型對(duì)于參與計(jì)算樣本點(diǎn)有較大依賴，穩(wěn)定性較差。CM-BP模型基于濁度的敏感波段和非線性算法構(gòu)建，參與建模波段不受人為主觀影響，比常規(guī)經(jīng)驗(yàn)算法選取的波段更具可信度，提高了建模效率。綜合考慮模型反演精度、適應(yīng)性、穩(wěn)定性和可信度，認(rèn)為CM-BP模型性能更優(yōu)。

(2)國(guó)產(chǎn)衛(wèi)星如環(huán)境與災(zāi)害監(jiān)測(cè)預(yù)報(bào)小衛(wèi)星星座系統(tǒng)、高分一號(hào)衛(wèi)星、資源三號(hào)衛(wèi)星的多光譜數(shù)據(jù)，可以滿足高精度、實(shí)時(shí)及大尺度的內(nèi)陸水體水質(zhì)遙感監(jiān)測(cè)工作需求，均可作為河流水體水質(zhì)遙感反演研究及水質(zhì)遙感監(jiān)測(cè)業(yè)務(wù)化工作的優(yōu)選數(shù)據(jù)源。而從光譜分辨率、時(shí)空分辨率以及影像幅寬等因素考慮，高分一號(hào)衛(wèi)星WFV數(shù)據(jù)在河流水體水質(zhì)遙感反演研究上更具優(yōu)勢(shì)。

(3)遙感數(shù)據(jù)空間分辨率對(duì)反演精度與誤差的影響，尤其是在水陸交界區(qū)域，主要與河流水體范圍是否被精確識(shí)別有關(guān)。因此，在遙感數(shù)據(jù)空間分辨率滿足水體精確識(shí)別的條件下，只要所選擇的遙感影像數(shù)據(jù)分辨率和波段設(shè)置適用于水質(zhì)反演，本文構(gòu)建模型均可適用。

(4)影響河流濁度的因素諸多，如含沙量、突發(fā)性水污染、流速等，厘清這些因素對(duì)反演精度的影響是未來(lái)進(jìn)一步研究的關(guān)鍵內(nèi)容。受采樣次數(shù)的限制，本文針對(duì)上述因素對(duì)反演結(jié)果影響的討論尚不夠深入，后續(xù)將繼續(xù)積累數(shù)據(jù)進(jìn)行進(jìn)一步研究。