郭坤 李虎 陳冬花 謝以梅 馮武濤

摘要：沙河集水庫(kù)是滁州市重要的水源供應(yīng)地，關(guān)系著市民的飲水安全問(wèn)題，水質(zhì)的變化監(jiān)測(cè)受到了政府的高度重視。通過(guò)遙感影像實(shí)現(xiàn)水質(zhì)參數(shù)反演，對(duì)水庫(kù)水質(zhì)監(jiān)測(cè)和保護(hù)工作具有非常重要的理論意義。因此，利用2021年6月和7月高分一號(hào)影像和同步的實(shí)測(cè)水質(zhì)數(shù)據(jù)，建立了基于多元回歸和BP神經(jīng)網(wǎng)絡(luò)的葉綠素a濃度和濁度模型，并進(jìn)行精度評(píng)價(jià)，對(duì)研究區(qū)定量反演，以探求水庫(kù)水質(zhì)分布情況。結(jié)論如下：從模型精度來(lái)看，葉綠素和濁度進(jìn)行多元回歸模擬的RMSE分別為0.745、0.216，R2為0.694、0.844，平均相對(duì)誤差為13.19%、7.09%，；BP神經(jīng)網(wǎng)絡(luò)模擬的RMSE分別為0.103、0.19，R2為0.865、0.958，平均相對(duì)誤差為2.5%、7.11%，兩者對(duì)沙河集水庫(kù)水質(zhì)反演都具有可行性，但BP神經(jīng)網(wǎng)絡(luò)要優(yōu)于多元回歸；從水質(zhì)遙感反演來(lái)看，2021年6月沙河集水庫(kù)的葉綠素a濃度在2.2～5.6ug/l之間，7月葉綠素a濃度在1.8～6.7ug/l之間，均處于中營(yíng)養(yǎng)狀態(tài)，為Ⅱ類水質(zhì)，6月濁度在0～4NTU之間，均值為1.16NTU，7月濁度值集中0.5～4.6NTU之間，庫(kù)區(qū)均值為2.46NTU，總體達(dá)到了飲用水源標(biāo)準(zhǔn)。

關(guān)鍵詞：沙河集水庫(kù); 高分一號(hào)；葉綠素a濃度；濁度；遙感反演

中圖分類號(hào)：X824文獻(xiàn)標(biāo)志碼： A文章編號(hào)：1001-2443（2023）03-0250-09

引言

近年來(lái)，社會(huì)經(jīng)濟(jì)的迅猛發(fā)展和城市化建設(shè)的不斷擴(kuò)大，內(nèi)陸水環(huán)境所承受的壓力日益加劇，生活和工業(yè)廢水的大量排放使水體富營(yíng)養(yǎng)化日趨嚴(yán)重。沙河集水庫(kù)作為滁州市重要水源供應(yīng)地，其水質(zhì)關(guān)乎周邊20多萬(wàn)市民的飲水安全，與人民的生命健康密切相關(guān)［1］。因此，研究水庫(kù)水質(zhì)參數(shù)變化，增強(qiáng)對(duì)水庫(kù)水質(zhì)的監(jiān)測(cè)與保護(hù)，實(shí)現(xiàn)對(duì)水體水質(zhì)參數(shù)的快速反演尤為關(guān)鍵。

傳統(tǒng)的人工監(jiān)測(cè)一般以實(shí)地采樣分析為主，雖可以較為準(zhǔn)確地測(cè)得多種水質(zhì)參數(shù)，但每期都要測(cè)量不僅費(fèi)時(shí)、費(fèi)力，且只能獲得點(diǎn)狀數(shù)據(jù)，所得數(shù)據(jù)在時(shí)間和空間上都不連續(xù)，無(wú)法滿足大范圍、實(shí)時(shí)的水質(zhì)監(jiān)測(cè)要求［2］。隨著遙感技術(shù)的快速發(fā)展及應(yīng)用，給科研者提供了一種新的方法用以進(jìn)行水質(zhì)質(zhì)量的監(jiān)測(cè)研究。遙感方法反演水質(zhì)參數(shù)是通過(guò)研究水體反射光譜特征以及水體指標(biāo)濃度，選擇最佳光譜波段/波段組合與指標(biāo)濃度進(jìn)行最大程度的擬合。比起傳統(tǒng)的人工監(jiān)測(cè)，遙感監(jiān)測(cè)具備動(dòng)態(tài)性、周期性和實(shí)時(shí)性等特性，十分適合光學(xué)特性復(fù)雜的內(nèi)陸水體［3］。常規(guī)的遙感水質(zhì)參數(shù)反演方法主要有經(jīng)驗(yàn)方法、半經(jīng)驗(yàn)法和半分析法［4］。侯佳妮［5］等基于 Landsat-5 TM影像數(shù)據(jù)和實(shí)測(cè)數(shù)據(jù)，采用經(jīng)驗(yàn)方法對(duì)二龍湖水質(zhì)參數(shù)和敏感波段進(jìn)行了擬合，建立了多元回歸模型。林劍遠(yuǎn)［6］等基于航空和水表高光譜遙感數(shù)據(jù)，利用半經(jīng)驗(yàn)法對(duì)浙江省嘉興市主城區(qū)河網(wǎng)水質(zhì)進(jìn)行了監(jiān)測(cè)。Hoogenboom 等［7］基于生物光學(xué)模型，運(yùn)用矩陣反演的方法，對(duì)葉綠素和懸浮物濃度進(jìn)行了反演。

從目前研究的內(nèi)容、方法以及深度等方面來(lái)看，遙感技術(shù)應(yīng)用于水質(zhì)監(jiān)測(cè)研究較為豐富，但大多數(shù)都為大型水庫(kù)湖泊或者海洋單因子監(jiān)測(cè)，且多為國(guó)外的衛(wèi)星遙感影像（ 美國(guó) Landsat-8、美國(guó) Modis、歐洲 Sential- 2等）［8］ 。與國(guó)外幾種衛(wèi)星影像相比，高分一號(hào)衛(wèi)星是國(guó)產(chǎn)高分辨率衛(wèi)星，搭載了2 臺(tái) 2m 分辨率全色/8m 分辨率多光譜的高分辨率相機(jī)，突破高空間分辨率、多光譜與高時(shí)間分辨率結(jié)合的光學(xué)遙感技術(shù)，多載荷圖像拼接融合技術(shù)。其較高的空間分辨率在同步影像水體反射率提取時(shí)，使影像與實(shí)地位置匹配時(shí)會(huì)產(chǎn)生更小的誤差。此外，國(guó)家高分專項(xiàng)實(shí)施以來(lái)，高分一系列衛(wèi)星陸續(xù)升空，形成了聯(lián)合組網(wǎng)，像GF-1BCD、GF-2、GF-6等與GF-1都有相似的光譜響應(yīng)函數(shù)，在遙感反演模型應(yīng)用時(shí)可以替換，這也使得聯(lián)合組網(wǎng)后的數(shù)據(jù)周期大大縮短，在光學(xué)條件允許的條件下，平均2天就重訪一次。目前，高分一號(hào)遙感影像應(yīng)用于水庫(kù)多參數(shù)水質(zhì)反演研究較少，而且是我國(guó)擁有的自主性數(shù)據(jù)，對(duì)我國(guó)科研和國(guó)土資源監(jiān)測(cè)具有重大意義。

因此，本文以滁州市沙河集水庫(kù)為研究對(duì)象，利用高分一號(hào)影像數(shù)據(jù)和實(shí)測(cè)水質(zhì)數(shù)據(jù)，進(jìn)行波段/波段組合與水質(zhì)指標(biāo)的相關(guān)性分析，建立基于多元回歸和BP神經(jīng)網(wǎng)絡(luò)的葉綠素a濃度和濁度模型，從而對(duì)研究區(qū)定量反演，得到葉綠素 a濃度和濁度分布圖用做水質(zhì)分析，以期為滁州市沙河集水庫(kù)的水質(zhì)監(jiān)測(cè)和保護(hù)工作提供技術(shù)借鑒和決策依據(jù)［9］。

1 研究區(qū)概況及數(shù)據(jù)源

1.1 研究區(qū)域概況

沙河集水庫(kù)（圖1），位于安徽省滁州市沙河鎮(zhèn)，處在清流河的支流——大沙河，屬長(zhǎng)江流域滁河水系。水庫(kù)以上流域面積300km2，占清流河面積的四分之一。沙河集水庫(kù)年均降水量為976mm，年均來(lái)水量0.78億m3，最大庫(kù)存2.11億m3，與周邊地區(qū)民眾的生活用水息息相關(guān)。

1.2 野外數(shù)據(jù)采集

1.2.1 主要儀器簡(jiǎn)介? ? EXO2是一臺(tái)用于監(jiān)測(cè)水質(zhì)數(shù)據(jù)的多參數(shù)儀器。主機(jī)有7個(gè)傳感器接口（當(dāng)中心接口被清潔刷占用時(shí)有6個(gè)接口可供使用）來(lái)獲取水質(zhì)參數(shù)數(shù)據(jù)。每個(gè)傳感器通過(guò)多種的電化學(xué)、光學(xué)或物理檢測(cè)手段來(lái)測(cè)量各自的參數(shù)。使用 EXO2儀器前，已經(jīng)進(jìn)行一次精度校準(zhǔn)。利用手機(jī)GPS軟件對(duì)采樣點(diǎn)經(jīng)緯度坐標(biāo)進(jìn)行記錄。

1.2.2 野外水質(zhì)數(shù)據(jù)采集 水樣采集時(shí)間為2021年6月11日。待船停穩(wěn)，且湖面無(wú)波動(dòng)時(shí)，借助已校正的 EXO2 多參數(shù)水質(zhì)儀測(cè)定水面下 50cm 處葉綠素a濃度和濁度，為了避免其他測(cè)點(diǎn)水質(zhì)影響，每次測(cè)量前，使用當(dāng)前測(cè)點(diǎn)的水沖洗探頭，每個(gè)點(diǎn)的測(cè)定時(shí)間為 5 分鐘，隔段時(shí)間記錄水質(zhì)參數(shù)濃度，每個(gè)點(diǎn)記錄五次，取五次記錄平均值代表該點(diǎn)的水質(zhì)參數(shù)濃度，并記錄該點(diǎn)坐標(biāo)，共記錄 22 個(gè)樣點(diǎn)。

1.3 遙感數(shù)據(jù)源及預(yù)處理

1.3.1 遙感數(shù)據(jù)源 兩期遙感影像來(lái)源于中國(guó)資源衛(wèi)星應(yīng)用中心（http：//www.cresda.com/cn/），均為GF-1B PMS影像，衛(wèi)星過(guò)境時(shí)間分別為2021年6月11日11點(diǎn)10分和2021年7月30日11點(diǎn)5分，全色波段2m，多光譜8m，云量分別為3%和1%，研究區(qū)的影像質(zhì)量均較好。

1.3.2 遙感數(shù)據(jù)預(yù)處理

1.3.2.1 輻射定標(biāo) 地物的電磁輻射在傳輸過(guò)程中會(huì)受到一些外在因素的影響（如太陽(yáng)高度角、大氣），導(dǎo)致地物的真實(shí)輻射亮度值與傳感器所接收到的有差異。為了消除這種誤差，需要對(duì)衛(wèi)星影像進(jìn)行輻射定標(biāo)。輻射定標(biāo)是對(duì)地物輻射傳輸過(guò)程產(chǎn)生的變形進(jìn)行校正，將影像的灰度值轉(zhuǎn)化為輻射亮度值［式（1）］。本次研究中高分影像的輻射定標(biāo)是根據(jù)輻射定標(biāo)參數(shù)在ENVI軟件中完成。

式中：Lλ為輻射亮度值，常用單位為W/（m2 μm sr）；DN為像元灰度值，取值范圍在0-255，無(wú)量綱；Gain和Offset分別為增益和偏移值，單位和輻射亮度值相同。

1.3.2.2 幾何校正 由于傳感器內(nèi)部（如自身構(gòu)造）和外部（如高度、地形）因素共同作用，遙感影像產(chǎn)生幾何變形在所難免，從而使得遙感影像中真實(shí)的地理位置產(chǎn)生了偏差，這將導(dǎo)致與實(shí)測(cè)點(diǎn)位經(jīng)緯度產(chǎn)生偏差，因此需要進(jìn)行幾何校正對(duì)誤差進(jìn)行修正。

1.3.2.3 大氣校正 大氣校正的目的是消除大氣和光照等因素對(duì)地物反射的影響，獲得地物反射率真實(shí)物理模型參數(shù)［式（2）］。本文運(yùn)用 ENVI 的 FLAASH 模塊對(duì)研究區(qū)影像進(jìn)行大氣校正。

其中，ρ為表觀反射率，L為表觀輻亮度，d為日地距離，ESUN為太陽(yáng)平均輻射強(qiáng)度，θ為太陽(yáng)天頂角。

1.3.2.4 水體提取 為了排除水體外地物的干擾，針對(duì)性監(jiān)測(cè)沙河集水庫(kù)，需先提取沙河集水庫(kù)的水體范圍。在ArcGIS10.2中對(duì)水庫(kù)范圍進(jìn)行矢量化提取，再對(duì)遙感影像進(jìn)行裁剪處理，完成對(duì)研究區(qū)水體的提取。

1.3.2.5 采樣點(diǎn)反射率提取 將記錄的采樣點(diǎn)的 GPS 坐標(biāo)導(dǎo)入 ENVI 5.3軟件，然后提取高分影像四個(gè)波段在采樣點(diǎn)的反射率值，以用于特征波段分析。

2 研究方法

目前，國(guó)內(nèi)外遙感水質(zhì)參數(shù)反演模型主要有經(jīng)驗(yàn)?zāi)Ｐ?、半?jīng)驗(yàn)?zāi)Ｐ秃臀锢砟Ｐ?。?jīng)驗(yàn)?zāi)Ｐ停?0］是目前應(yīng)用最廣泛的水色遙感反演方法，其是通過(guò)直接建立水質(zhì)參數(shù)和遙感反射率之間的統(tǒng)計(jì)關(guān)系來(lái)進(jìn)行水質(zhì)參數(shù)的反演。半經(jīng)驗(yàn)?zāi)Ｐ停?1］是利用高光譜數(shù)據(jù)在對(duì)水體光譜特征進(jìn)行深入分析的基礎(chǔ)上，先選擇合適的波段或波段組合，再建立水質(zhì)參數(shù)與遙感反射率之間的關(guān)系。物理模型［12］是基于輻射傳輸模型描述光在大氣和水體中的傳播過(guò)程，基于生物光學(xué)模型描述水體光譜與水質(zhì)參數(shù)之間的關(guān)系，然后從遙感影像中反演得到水質(zhì)參數(shù)。物理模型雖不需大量實(shí)測(cè)數(shù)據(jù)，可移植性強(qiáng)，但物理參數(shù)多而復(fù)雜，構(gòu)建困難，應(yīng)用極少；半經(jīng)驗(yàn)?zāi)Ｐ碗m簡(jiǎn)單便捷但依托的高光譜數(shù)據(jù)大多是通過(guò)無(wú)人機(jī)遙感和光譜儀測(cè)量所得，數(shù)據(jù)獲取并不簡(jiǎn)單；而本文所使用的經(jīng)驗(yàn)?zāi)Ｐ碗m不像物理模型可移植性強(qiáng)，但構(gòu)建簡(jiǎn)單、應(yīng)用廣泛、技術(shù)成熟，在研究區(qū)域仍有較高的反演精度，而B(niǎo)P神經(jīng)網(wǎng)絡(luò)作為一種智能算法更能有效提高精度。

2.1 特征波段及波段組合提取

大量研究［13-15］表明遙感影像波段/波段組合與水質(zhì)指標(biāo)之間具有較好的相關(guān)性，相關(guān)性是衡量?jī)蓚€(gè)變量因素的相關(guān)密切程度，相關(guān)性越高兩者關(guān)聯(lián)性越高。因此，水質(zhì)參數(shù)反演模型的構(gòu)建需要先提取特征波段。將22個(gè)實(shí)測(cè)樣本劃分為訓(xùn)練樣本和驗(yàn)證樣本兩部分，比例滿足為3∶1，劃分的樣本都應(yīng)盡量均勻分布于研究區(qū)。通過(guò)GF-1影像預(yù)處理后提取的四個(gè)波段反射率，根據(jù)顧清［16］提出的59種波段/波段組合，計(jì)算訓(xùn)練樣本實(shí)測(cè)值與對(duì)應(yīng)位置波段/波段組合的 Pearson 相關(guān)系數(shù)［17］，尋找出與水質(zhì)指標(biāo)相關(guān)性較高的波段組合，結(jié)果如表2如示。

表中記錄了本文中所使用的高分一號(hào)四個(gè)波段（b1、b2、b3、b4）經(jīng)過(guò)各種組合與葉綠素a濃度和濁度的相關(guān)系數(shù)，該數(shù)值小于0代表負(fù)相關(guān)，大于0代表正相關(guān)，該值的絕對(duì)值越接近1表明兩者相關(guān)性越高。因此，為了后續(xù)遙感反演模型的精度能夠更優(yōu)，篩選了相關(guān)性最高3個(gè)波段組合綜合分析，用于回歸擬合，再進(jìn)一步對(duì)擬合函數(shù)優(yōu)選。與葉綠素a濃度和濁度相關(guān)性較高的前三個(gè)波段組合以及相關(guān)系數(shù)已在表中著重標(biāo)識(shí)。

2.2 多元回歸模型

2.2.1 葉綠素a濃度反演模型 從2021年6月11日22個(gè)實(shí)測(cè)水質(zhì)數(shù)據(jù)中選擇16個(gè)訓(xùn)練樣本，篩選葉綠素a濃度相關(guān)性最高的3個(gè)波段組合作為自變量，對(duì)遙感波段組合與葉綠素a濃度進(jìn)行回歸擬合，包括線性回歸模型（一元）和非線性模型（如二次多項(xiàng)式、指數(shù)等）。模型和決定系數(shù)如表3。

2.3 BP神經(jīng)網(wǎng)絡(luò)

BP 神經(jīng)網(wǎng)絡(luò)是一種多層的前饋神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)大于等于三層，分為輸入層、隱含層和輸出層，而隱含層通常包含若干層［18］。每層都包含若干個(gè)節(jié)點(diǎn)。本次實(shí)驗(yàn)輸入層節(jié)點(diǎn)為相關(guān)性較高的波段，葉綠素的網(wǎng)絡(luò)模型輸入節(jié)點(diǎn)為b1、b2、b4，濁度的網(wǎng)絡(luò)模型輸入節(jié)點(diǎn)為b1、b2、b3、b4，輸出層節(jié)點(diǎn)為水質(zhì)參數(shù)指標(biāo)，通過(guò)隱含層正向和逆向不斷進(jìn)行誤差修正，得到期望輸出值。隱含層的取值范圍滿足公式（5），通過(guò)不斷實(shí)驗(yàn)選擇最佳隱含層節(jié)點(diǎn)。網(wǎng)絡(luò)訓(xùn)練中將樣本按70%訓(xùn)練樣本、15%驗(yàn)證樣本、15%測(cè)試樣本劃分，還需要設(shè)置一些參數(shù)，根據(jù)前人經(jīng)驗(yàn)將學(xué)習(xí)速率設(shè)置為0.001，迭代次數(shù)為1000，訓(xùn)練函數(shù)為L(zhǎng)evenberg-Marquardt。經(jīng)過(guò)大量實(shí)驗(yàn)分析，確定葉綠素模型結(jié)構(gòu)為3-10-1，濁度模型結(jié)構(gòu)為4-11-1。

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)，a為取值范圍1-10的常數(shù)

訓(xùn)練結(jié)果如圖4、圖5所示。得到葉綠素反演值與真實(shí)值滿足：反演值=0.71 真實(shí)值+1.3；濁度反演值與真實(shí)值滿足：反演值=真實(shí)值-0.19。

2.4 精度評(píng)價(jià)

根據(jù)葉綠素a濃度和濁度的實(shí)測(cè)值與反演值，進(jìn)行精度評(píng)價(jià)。具體采用均方根誤差和相對(duì)誤差的方法。模型計(jì)算的數(shù)值代表反演值，地面實(shí)測(cè)水質(zhì)濃度值代表真實(shí)值。均方根誤差計(jì)算如式（6），相對(duì)誤差計(jì)算如式（7）：

經(jīng)式（6）和（7）計(jì)算多元回歸模型的葉綠素a濃度和濁度的均方根誤差分別為0.745、0.216，平均相對(duì)誤差為13.19%、7.09%；BP神經(jīng)網(wǎng)絡(luò)模型的葉綠素a濃度和濁度的均方根誤差分別為0.103、0.19，平均相對(duì)誤差為2.5%、7.11%。

多元回歸模型反演精度雖然還可以，由表7可以看出BP神經(jīng)網(wǎng)絡(luò)的RMSE和R2均優(yōu)于多元回歸模型；平均相對(duì)誤差而言，BP神經(jīng)網(wǎng)絡(luò)中葉綠素a濃度較優(yōu)，濁度兩種模型差不多?？傮w來(lái)說(shuō)，BP神經(jīng)網(wǎng)絡(luò)反演精度更高。

3 結(jié)果與分析

3.1 結(jié)果

基于GF-1衛(wèi)星影像，通過(guò)反演模型定量化反演2021 年 6月、7月沙河集水庫(kù)水質(zhì)參數(shù)（葉綠素、濁度），得到葉綠素 a濃度和濁度分布圖，由圖6、7、8、9可以看出：

（1）6月份沙河集水庫(kù)葉綠素a濃度值集中在2.2～5.6ug/l之間，均值為4.5ug/l。水庫(kù)西南部和東北部葉綠素a濃度較高，約在2.5～5.6ug/l之間，中部葉綠素a濃度較低，約在2.2～2.5ug/l之間，呈現(xiàn)兩端高中間低。濁度值集中0～4NTU之間，庫(kù)區(qū)均值為1.16NTU。濁度分布與葉綠素a濃度相反，呈現(xiàn)兩端低中間高。

（2）7月份沙河集水庫(kù)葉綠素a濃度值集中在1.8～6.7ug/l之間，均值為3.25ug/l。水庫(kù)西南部到東北部葉綠素a濃度逐漸降低。濁度值集中0.5～4.6NTU之間，庫(kù)區(qū)均值為2.46NTU。濁度分布，呈現(xiàn)兩端低中間高。

3.2 分析

（1）6月份水庫(kù)葉綠素a濃度呈現(xiàn)兩端高中間低，可能原因是兩端存在較多的學(xué)校、工廠等一些公共設(shè)施，頻繁的人類活動(dòng)，生產(chǎn)和生活垃圾的排放，使得流動(dòng)性較差的水域兩端受到影響較大，中部影響較小。理論上，葉綠素a濃度越大代表浮游生物越多，大量的浮游生物尸體在微生物作用下會(huì)產(chǎn)生腐殖質(zhì)，會(huì)影響水體渾濁度。由于水庫(kù)本身葉綠素含量就特別低，水質(zhì)也比較好，對(duì)濁度的影響微乎其微，更多的原因可能是兩端區(qū)域由于離陸地的距離較近，一些垃圾排放到水庫(kù)時(shí)，岸邊的水域能得到及時(shí)治理，而經(jīng)過(guò)水體流動(dòng)中心區(qū)域越積越多，又不能及時(shí)治理導(dǎo)致兩端低中部高。

（2）7月份水庫(kù)葉綠素a濃度從西南部到東北部葉綠素a濃度逐漸降低，可能是夏季雷雨天氣增多，水體流動(dòng)性增加，水庫(kù)西南是狹長(zhǎng)的入水口，匯聚了生產(chǎn)和生活垃圾隨著水流逐漸降低。濁度呈現(xiàn)兩端低中間高，由于水流攜帶的泥沙、渾濁物等逐漸減緩，中部沉積物較多。

（3）對(duì)比6、7月份葉綠素 a 濃度和濁度，7月葉綠素 a 濃度整體較低，濁度較高。主要原因是7月溫度升高，雨水增多，浮游植物還未開(kāi)始大量繁殖，因此葉綠素 a 濃度較低，而水流夾雜的泥沙、腐殖質(zhì)等使得濁度偏高。

（4）根據(jù)葉綠素 a 的富營(yíng)養(yǎng)化分級(jí)標(biāo)準(zhǔn)［19-20］，6、7月份水庫(kù)均處于中營(yíng)養(yǎng)化狀態(tài)，Ⅱ類水質(zhì)標(biāo)準(zhǔn)（表8）。GB5749-1985 《生活飲用水衛(wèi)生標(biāo)準(zhǔn)》規(guī)定水質(zhì)檢測(cè)中濁度不超過(guò)3.0NTU，天然水和飲用水特殊情況不超過(guò)5.0NTU，所以整體也符合飲用水源標(biāo)準(zhǔn)。

4 結(jié)語(yǔ)

本文對(duì)多元回歸和BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了對(duì)比，并利用高分一號(hào)衛(wèi)星影像對(duì)沙河集水庫(kù)的葉綠素a濃度和濁度定量反演，結(jié)論如下：

（1）模型精度方面，對(duì)葉綠素和濁度進(jìn)行多元回歸模擬的RMSE分別為0.745、0.216，R2為0.694、0.844，平均相對(duì)誤差為13.19%、7.09%，BP神經(jīng)網(wǎng)絡(luò)模擬的RMSE分別為0.103、0.19，R2為0.865、0.958，平均相對(duì)誤差為2.5%、7.11%。兩者對(duì)沙河集水庫(kù)水質(zhì)反演都具有可行性，但BP神經(jīng)網(wǎng)絡(luò)要優(yōu)于多元回歸。

（2）遙感衛(wèi)星影像反演方面，沙河集水庫(kù)整體水質(zhì)較好，達(dá)到Ⅱ類水質(zhì)標(biāo)準(zhǔn)。濁度在0～4.6NTU之間，總體達(dá)到了飲用水源標(biāo)準(zhǔn)。

總之，模型能夠較好地反演沙河集水庫(kù)水質(zhì)分布情況，滿足一定的精度要求，表明了國(guó)產(chǎn)高分衛(wèi)星影像用于水質(zhì)參數(shù)反演的可行性。同時(shí)給滁州市沙河集水庫(kù)的水質(zhì)監(jiān)測(cè)提供了一種可行的方法，可為預(yù)防及治理水環(huán)境污染提供參考。但因?qū)嶒?yàn)條件限制，采樣點(diǎn)的數(shù)量和水質(zhì)季節(jié)性差異對(duì)該模型存在一定程度影響，BP神經(jīng)網(wǎng)絡(luò)存在一定“過(guò)擬合”，為了使模型更具科學(xué)性，未來(lái)可考慮提升模型的復(fù)雜性，增加多期實(shí)測(cè)數(shù)據(jù)，更加客觀地進(jìn)行水質(zhì)反演。

參考文獻(xiàn)：

［1］ 馬豐魁，姜群鷗，徐藜丹，等.基于BP神經(jīng)網(wǎng)絡(luò)算法的密云水庫(kù)水質(zhì)參數(shù)反演研究［J］.生態(tài)環(huán)境學(xué)報(bào)，2020，29（3）：569-579.

［2］ 馬方凱，高兆波，葉幫玲.基于高分遙感衛(wèi)星影像的湯遜湖水質(zhì)遙感反演［J］.水資源開(kāi)發(fā)與管理，2021（5）：69-75.

［3］ 陶然，彭金嬋，張豪，等.內(nèi)陸水體葉綠素a濃度遙感反演模型綜述［J］.民營(yíng)科技，2018（12）：97-98.

［4］ CARDER K L，CHEN F R，LEE Z P，et al. Semianalytic moderate-resolution imaging spectrometer algorithms for Chlorophyll-a and absorption with bio-optical domains based on nitrate-depletion temperatures［J］.Journal of Geophysical Ｒesearch-Oceans，1999，104（ C3） ： 5403-5421．

［5］ 侯佳妮. 二龍湖水質(zhì)參數(shù)特性與遙感反演研究［D］.長(zhǎng)春：東北師范大學(xué)，2013：40-45.

［6］ 林劍遠(yuǎn)， 張長(zhǎng)興， 航空高光譜遙感反演城市河網(wǎng)水質(zhì)參數(shù)［J］. 遙感信息， 2019，34（2）： 23-29.

［7］ HOOGENBOOM H J，DEKKER A G，DEHAAN J F. Retrieval of chlorophyll and suspended matter from imaging spectrome try data by matrix Inversion［J］. Canadian Journal of Remote Sensing，1998，24（2）：144-152.

［8］ 鄭炎輝，張園波，何艷虎.基于GF-1 WFV影像與神經(jīng)網(wǎng)絡(luò)模型的水庫(kù)水質(zhì)多參數(shù)反演研究［J］.人民珠江，2020，41（7）：57-62+84.

［9］ 劉靜. 鄱陽(yáng)湖水質(zhì)參數(shù)遙感反演及富營(yíng)養(yǎng)化評(píng)價(jià)［D］.贛州：江西理工大學(xué)，2020：1-9.

［10］ 張克，張凱，牛鵬濤，等.遙感水質(zhì)監(jiān)測(cè)技術(shù)研究進(jìn)展［J］.現(xiàn)代礦業(yè)，2018，34（11）：171-174+202.

［11］ 種丹，李浩杰，范碩，等.基于MODIS數(shù)據(jù)的云南九大高原湖泊葉綠素a濃度反演［J］.生態(tài)學(xué)雜志，2017，36（1）：277-286.

［12］ GORDON H R，BROWN O B，JACOBS M M. Computed relation ships between the inherent and apparent optical properties of a flat homogeneous ocean［J］. Applied Optics，1975，14（2）：417-427.

［13］ 肖青，聞建光，柳欽火，等.混合光譜分解模型提取水體葉綠素含量的研究［J］.遙感學(xué)報(bào)，2006（4）：559-567.

［14］ 曹引，冶運(yùn)濤，趙紅莉，等.內(nèi)陸水體水質(zhì)參數(shù)遙感反演集合建模方法［J］.中國(guó)環(huán)境科學(xué)，2017，37（10）：3940-3951.

［15］ 胡輝輝. 基于多源遙感數(shù)據(jù)的白洋淀水質(zhì)參數(shù)估算研究［D］.鄭州：鄭州大學(xué)，2020：1-54.

［16］ 顧清. 浙江省飲用水水庫(kù)水質(zhì)演變及風(fēng)險(xiǎn)評(píng)價(jià)研究［D］.杭州：浙江大學(xué)，2014：33-35.

［17］ 李大千. 鄱陽(yáng)湖葉綠素a濃度遙感反演研究［D］.贛州：江西理工大學(xué)，2016：36-40.

［18］ 張宏建，王冰，周健，等.基于BP神經(jīng)網(wǎng)絡(luò)的內(nèi)陸河流水質(zhì)遙感反演［J］.華中師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，56（2）：333-341.

［19］ 高陽(yáng)俊， 曹勇， 趙振，等. 基于葉綠素a分級(jí)的東部湖區(qū)富營(yíng)養(yǎng)化標(biāo)準(zhǔn)研究［J］. 環(huán)境科學(xué)與技術(shù)， 2011（S2）：3.

［20］ 梁偉林，白金平，李玉霞，等.基于高分衛(wèi)星數(shù)據(jù)的龍泉湖水質(zhì)富營(yíng)養(yǎng)化分析與評(píng)價(jià)［J］.地質(zhì)災(zāi)害與環(huán)境保護(hù)，2016，27（2）：57-62.

Abstract：Shaheji Reservoir is an important source of water supply in Chuzhou City， and it is related to the safety of drinking water for citizens. The monitoring of water quality changes has received great attention from the government. The inversion of water quality parameters through remote sensing images has very important theoretical significance for the monitoring and protection of reservoir water quality. Therefore， the chl- a concentration and turbidity model based on multiple regression and BP neural network was established using GF-1 images in June and July 2021 and the synchronized measured water quality data， to explore the distribution of water quality in reservoirs. Conclusion： in terms of model accuracy， the RMSE of multiple regression simulation of chl-a and turbidity are 0.745 and 0.216 respectively， and R2 is 0.694 and 0.844 respectively，the average relative error is 13.19%， 7.09%; The RMSE simulated by BP neural network is 0.103 and 0.19 respectively， and the R2 is 0.865 and 0.958，the average relative error is 2.5%， 7.11%. Both of them are feasible for the inversion of water quality of Shaheji Reservoir， but BP neural network is better than multiple regression; from the perspective of water quality remote sensing inversion， the chl-a concentration of Shaheji Reservoir in June 2021 is between 2.2～5.6ug/l， the chl-a concentration in July is between 1.8～6.7ug/l， both of which are in the mesotrophic state， and the water quality is Class II. The turbidity in June is between 0～4NTU， with an average value of 1.16NTU， and the turbidity in July is between 0.5～4.6 NTU， the average value of the reservoir area is 2.46NTU， which generally meets the drinking water source standard.

Key words：Shaheji Reservoir; GF-1; chl- a concentration; turbidity; remote sensing inversion

（責(zé)任編輯：鞏 劼）