基于遙感的內陸水體水質監(jiān)測研究進展

王 波，黃津輝，郭宏偉，許 旺，曾清懷，麥有全，祝曉瞳，田 上

(1.南開大學環(huán)境科學與工程學院中加水與環(huán)境安全聯合研發(fā)中心，天津 300350；2.深圳市環(huán)境監(jiān)測中心站，廣東 深圳 518049)

隨著全球氣候變化和人類活動的影響，許多內陸水體面臨水質下降、水體富營養(yǎng)化和水生態(tài)系統(tǒng)破壞等一系列問題[1]。水質監(jiān)測作為水生態(tài)環(huán)境管理的一個重要環(huán)節(jié)，對保護水環(huán)境、控制水污染和維護水環(huán)境的健康具有重要作用。傳統(tǒng)水質監(jiān)測主要采用現場水樣采集和實驗室測定的方法，雖然可監(jiān)測的參數多，精度較高，但費時費力，經濟成本高，并且單點尺度的水質難以代表整個水域的水質狀況[2]。

遙感技術具有范圍廣、速度快和成本低等優(yōu)勢，可以滿足實時和大尺度的水質監(jiān)測需求[3]，同時可以揭示常規(guī)方法難以發(fā)現的污染物和污染物的遷移和分布特征。水質遙感監(jiān)測通過研究衛(wèi)星遙感數據和實測水質數據之間的關系，構建水質參數的反演模型[4]，以此獲取整個水域水質的空間分布和變化。

自20世紀70年代以來，水質遙感監(jiān)測逐漸從定性分析發(fā)展到定量反演，建立了分析、經驗、半經驗和機器學習等多種反演模型，大量新型衛(wèi)星的發(fā)射為水質監(jiān)測提供了更多遙感數據源，多種水質參數的反演取得了優(yōu)異成果[5-7]。但是，與海洋遙感監(jiān)測相比，水域光學復雜性、衛(wèi)星傳感器針對性、大氣校正精確性以及其他一些尚未解決的問題給內陸水體水質遙感監(jiān)測帶來了諸多挑戰(zhàn)，因此需要進一步促進對內陸水體水質遙感監(jiān)測研究的理解和應用。本文從遙感數據、反演方法和水質參數3個方面闡述內陸水體水質遙感監(jiān)測的研究進展，提出當前水質遙感監(jiān)測研究中存在的主要問題以及未來工作需要關注的重點，以期為內陸水體水質監(jiān)測提供參考。

1 水質遙感監(jiān)測常用數據源

在內陸水體的水質遙感監(jiān)測中，常用的遙感數據源包括美國陸地衛(wèi)星系列(Landsat 1-8)、中分辨率成像光譜儀(moderate resolution imaging spectroradiometer，MODIS)、Sentinel-2(表1)和部分國產衛(wèi)星系列等。因此，本文重點闡述Landsat系列、MODIS、Sentinel-2和部分國產衛(wèi)星系列在內陸水體水質監(jiān)測中的應用。

1.1 Landsat系列

多光譜掃描儀(multispectral scanner， MSS)是Landsat 1-5和Landsat 7攜帶的傳感器。Carpenter等[8]利用MSS對淡水湖的濁度和藻類色素濃度進行了建模和預測，證明了該數據源可用來反演水體中的水質參數。但MSS影像波段較寬，空間分辨率較低，不適合用于監(jiān)測葉綠素含量較低、懸浮物含量很高的內陸水體[9]。

專題制圖儀(thematic mapper， TM)是Landsat 4和Landsat 5攜帶的傳感器。自發(fā)射至今，TM工作狀態(tài)良好，數據獲取便利，雖然不是專門針對內陸水體水質遙感研究，但仍因其較高的空間、光譜和輻射分辨率，在內陸水體水質監(jiān)測中被廣泛使用。Hafeez等[10]通過比較Landsat TM反射率數據和原位反射率數據評估多種機器學習模型的性能，結果表明神經網絡模型可用于具有光學復雜性的沿海水域的水質監(jiān)測和評估。

增強型專題制圖儀(enhanced thematic mapper plus， ETM+)是Landsat 7攜帶的傳感器。ETM+因增加了一個全色波段，在紅外波段的分辨率更高，數據信息量更豐富。Lin等[11]用Landsat ETM+和機器學習算法確定湖泊藻類生物量的準確性，結果表明模型在分析藻類狀況的時間變化方面很有效。但Landsat 7的掃描行校正器(scan lines corrector， SLC)曾發(fā)生故障，致使部分圖像出現重疊和丟失[12]，異常數據需要通過模型校正，這限制了其在水質遙感監(jiān)測中的應用。

陸地成像儀(operational land imager， OLI)-熱紅外傳感器(thermal infrared sensor， TIRS)是Landsat 8攜帶的傳感器。與ETM+相比，OLI增加了一個短波近紅外波段，主要用于卷云檢測和數據質量評價等，TIRS主要用于地表溫度反演和土壤濕度評價等。Landsat 8波段組合多，數據應用范圍廣。Cao等[13]基于Landsat 8影像，利用極限梯度增強樹模型開發(fā)了一種估計渾濁湖水中葉綠素a濃度的算法，繪制了2013—2018年中國東部數百個大于1 km2的湖泊中葉綠素a濃度的時空變化。

1.2 MODIS

MODIS是搭載在美國EOS衛(wèi)星上最重要的光學傳感器，可用于對陸表、生物圈、固態(tài)地球、大氣和海洋進行長期全球觀測[14]。MODIS具有較高的時間分辨率，數據接收相對簡單，全球免費獲取，相比其他衛(wèi)星遙感數據提供了有助于輻射校正的大氣廓線數據，在未來的水質監(jiān)測中具有巨大的發(fā)展?jié)摿?。Chang等[15]利用MODIS影像和遺傳規(guī)劃模型研究了美國坦帕灣總磷的時空變化規(guī)律，闡明了由自然災害和人為擾動引起的耦合動態(tài)影響。Wang等[16]利用2000—2017年MODIS數據揭示了中國水質清晰度的長期時空變化趨勢，探討了不同地區(qū)的湖泊清晰度和經濟發(fā)展以及氣候變化的關系。

1.3 Sentinel-2

Sentinel-2由兩顆高分辨率多光譜成像衛(wèi)星2A和2B組成，主要用于監(jiān)測近岸水體和大氣中的氣溶膠，以及在紅邊范圍內植被的健康信息。Sentinel-2在可見光/近紅外到短波紅外光譜范圍中具有13個通道，為沿海和內陸水域的水質監(jiān)測提供了合適的數據源，已經成為近些年最流行的多光譜遙感反演數據源之一。

Saberioon等[17]以Sentinel-2A的10個光譜波段和19個光譜指數的組合作為自變量訓練Cubist模型，生成葉綠素a和總懸浮物的空間分布圖，監(jiān)測小型內陸水體的生物物理狀態(tài)。Pahlevan等[18]利用大量原位葉綠素a測量值和重采樣的高光譜輻射數據模擬Sentinel-2攜帶的多光譜成像儀，訓練并驗證混合密度網絡模型，用3種不同的大氣校正方法獲得了準確的葉綠素a分布圖。

1.4 國產衛(wèi)星系列

自2008年以來，中國生態(tài)環(huán)境部衛(wèi)星應用中心發(fā)射了一系列針對環(huán)境監(jiān)測的中/高空間分辨率的衛(wèi)星，包括環(huán)境系列衛(wèi)星(HJ-1A/B和HJ-1C)、高分系列衛(wèi)星(GF 1-7)等，這些衛(wèi)星被成功地應用于內陸水體的水質監(jiān)測和藍藻富營養(yǎng)化預測[19]。

孫宏亮等[20]利用HJ-1A/B衛(wèi)星多光譜數據反演香港近海海域葉綠素a濃度，明晰了該海域近10年的葉綠素a濃度時空變化特征。Lu等[21]基于GF 1衛(wèi)星遙感數據提出了一種城市水體總磷濃度的間接反演算法，結果表明廣州河道的大部分水體為Ⅲ類和Ⅳ類，符合一般工業(yè)用水和娛樂用水的標準。

2 水質遙感監(jiān)測方法

20世紀70年代初，遙感監(jiān)測技術開始應用于水體研究，從單一的水域識別逐漸發(fā)展到水質參數的定量反演。20世紀80年代后，多光譜數據和高光譜數據的涌現推動了遙感技術的快速進步，隨著水質參數的光譜特性和算法研究的不斷深入，水質遙感監(jiān)測方法經歷了分析法、經驗法、半經驗法、機器學習和綜合法的發(fā)展歷程。

2.1 分析法

分析法是以生物-光學模型為基礎的水質反演方法。該方法利用輻射傳輸模型模擬光在大氣和水體中的傳播過程，利用遙感測得的水體反射率計算水質參數的特征吸收系數和后向散射系數，建立反射光譜與水質參數之間的關系[22]。

分析法具有嚴格的物理意義，模型穩(wěn)定性好，反演精度較高，適用性強，不需要大量的地面實測水質數據作支撐。但這一方法基于已知水體中水質參數的光譜特性，在初次建立模型時需要測量固有光學量和表觀光學量，如Li等[23]在淺水內陸有色可溶性有機物(colored dissolved organic matter， CDOM)的時空變化研究中測量了CDOM的吸收系數和不同波長的遙感反射率等。這些參數需要通過實驗手段或野外觀測得出，其中部分參數隨監(jiān)測水域的不同而變化[24]，因此分析法在水質監(jiān)測實際應用中的效果并不理想。

2.2 經驗法

經驗法是以多光譜遙感數據為基礎的水質反演方法。該方法依據遙感影像數據和地面實測數據之間的關系，選取相關系數最高的波段或波段組合用于統(tǒng)計回歸分析，獲得水質參數的最佳反演模型。Majid等[25]利用經驗算法和神經網絡算法估算香港沿海地區(qū)的葉綠素a和懸浮物濃度，其中用到的波段組合方法包括相加、相減、相乘、相除、平均和取對數。

經驗法利用簡單易用的回歸模型構建相對復雜的關系，能在一定程度上提高水質反演的精度，但也存在一些缺陷[26]。首先，經驗法容易受到地域和時間的限制，通用性較差；其次，經驗法需要以大量實測數據為基礎才能達到理想的水質反演精度；此外，經驗法在實測數據的影響下只能反演一定濃度范圍內的水質參數，超出這個范圍后，反演結果的誤差明顯增大；最后，經驗法因缺乏物理依據往往導致遙感影像和水質數據的關系得不到有效保證，模型的準確性難以得到保障。

2.3 半經驗法

半經驗法是以高光譜遙感數據為基礎的水質反演方法。該方法通過水質參數的光譜特征和實測數據的關系獲得最佳波段或波段組合，選取合適的數學統(tǒng)計分析模型(線性回歸、指數/對數函數回歸、多項式回歸、主成分分析和聚類分析等)反演水質參數。林劍遠等[27]利用半經驗法定量反演城市河網水質，建立了四種水質參數的線性、二次多項式、指數和冪模型。

半經驗法充分利用了水質參數的光譜特征，兼顧了遙感影像數據和實測水質數據之間的統(tǒng)計關系[28]，是目前最常用的水質反演方法。但半經驗法仍有較強的時空局限性，針對不同類型、不同地區(qū)和不同季節(jié)的水體需要尋找合適的數學統(tǒng)計模型，提高模型的通用性。

2.4 機器學習

機器學習是指通過某些算法指導計算機利用已知數據得出適當模型，并利用此模型對新數據進行分析或者預測的過程[29]。近年來，隨著人工智能技術的發(fā)展，越來越多的研究把機器學習理論融入水質遙感監(jiān)測中。

水體中復雜的光譜特征導致水質遙感監(jiān)測在本質上是一個非線性的反演過程。機器學習具有較強的適應性、組織性和容錯性，可以通過持續(xù)不斷的學習、校正和誤差反饋提升遙感反演模型的精度和泛化能力，適合模擬遙感影像和水質參數間錯綜復雜的關系。目前，應用于水質反演的機器學習模型包括隨機森林[30]、支持向量機[31]、神經網絡[32]等。

機器學習在許多水質遙感監(jiān)測研究中表現優(yōu)異，但構建遙感反演模型需要大量的訓練樣本，同時校正參數會增加模型訓練的時間成本，因此如何平衡模型復雜程度和計算效率至關重要[33]。此外，機器學習的理論基礎有待完善，模型結果的可解釋性有待提高，模型的普遍適用性有待增強。

2.5 綜合法

單一的水質遙感監(jiān)測方法均存在各自的局限性，如葉綠素a的經驗模型通?；谂c其光吸收和發(fā)射特性相關的物理原理，一般依賴光譜波段中的綠色、藍色、紅色和近紅外波段[34]。但不同水體的物理特征、組成成分和藻類種群具有很大差異，這些因素都會影響經驗模型的適用性。綜合法是指通過比較或結合幾種甚至更多的水質遙感監(jiān)測方法，發(fā)揮每種水質監(jiān)測方法的優(yōu)勢，在充分利用水質參數光譜特征的基礎上提高水質反演精度，增強模型的通用性。

Hansen等[35]使用經驗法和多元線性逐步回歸方法建立葉綠素a分季節(jié)的遙感反演模型，結果表明與傳統(tǒng)的經驗模型相比，數據驅動的機器學習方法較好地改進了模型擬合效果，利用其他波段所含信息有助于解釋湖泊特定的光學特性，如懸浮物、水色組分和季節(jié)特定的藻類種群。Pahlevan等[36]通過高光譜數據反演不同區(qū)域的葉綠素a，選擇傳統(tǒng)的固有光學量和葉綠素a算法與混合密度網絡算法做對比，顯著改進了葉綠素a的反演結果，證明了混合密度網絡模型可用于內陸和沿海水域的高精度葉綠素a濃度監(jiān)測。

3 水質遙感監(jiān)測參數

根據水體中不同物質對光輻射的吸收和散射性質，水質遙感監(jiān)測參數分為光敏參數和非光敏參數。光敏參數是指有明顯光學特性的水質參數，主要包括葉綠素a、懸浮物和有色可溶性有機物等；非光敏參數是指無明顯光學特性的水質參數，主要包括化學需氧量(COD)、生化需氧量(BOD)、總磷(TP)和總氮(TN)等。

3.1 葉綠素a

葉綠素a是衡量水體富營養(yǎng)化程度的重要指標之一，不僅體現浮游植物的生物量和初級生產力[37]，而且影響水體的反射光譜特征。國內外學者針對不同研究區(qū)域建立了許多葉綠素a的遙感反演模型[38-39]，但葉綠素a具有明顯的季節(jié)變化特征，同時懸浮物和CDOM的存在會使水體光譜特征發(fā)生顯著變化，掩蓋葉綠素a的光譜吸收特性[40]，因此這些模型仍存在精度不夠高和適用性不夠強等問題。

Pulliainen等[41]根據葉綠素a的年最大濃度將湖泊劃分為4類，利用機載AISA成像光譜儀數據顯著提高了葉綠素a濃度的反演精度，并發(fā)現湖泊水體的營養(yǎng)和腐殖質狀態(tài)對遙感光譜形態(tài)特征有很大影響。Blix等[42]開發(fā)了一種模型自動選擇算法，選取3種匹配數據集模擬復雜的水體條件，通過4種特征分級方法和3種機器學習回歸模型估算了全球和光學復雜水域的葉綠素a濃度。徐逸等[43]借助4種機器學習模型反演太湖葉綠素a濃度，發(fā)現樣本中葉綠素a濃度的高低會影響部分模型的精度、穩(wěn)定性和魯棒性，最終導致反演結果存在一定誤差。He等[44]利用原位葉綠素a實測值和MODIS數據構建反演模型，依據貝葉斯最大熵理論和支持向量機估算了2017年1月1日至12月31日期間圣勞倫斯灣的葉綠素a日濃度。

據介紹，X型混凝土布內層以交叉連接織造，適用范圍主要是緊急護坡、護堤、護岸，緊急加高和應急道路的搶險工程，充填技術可達到厚度為300～600mm以及600～1000mm等特殊要求。搶險材料X型混凝土布是織造物，分量輕，徹底改變了原來復雜環(huán)境施工難、難施工的情況以及搶險過程中的不安全因素，解決了原來大型機械設備施工難的問題，可以根據實際情況調整控制所需部位以及充填高度、長度等，施工簡單。充填材料可以是混凝土，也可就地取材，直接灌入泥漿、沙土，填充后會快速排出水分，在短時間內即可凝固，增加密度和提高抗壓強度?，F場作業(yè)只需五六個人，配套3臺灌漿機、1臺小型發(fā)電機，就可替代原來的“人海戰(zhàn)役”。

3.2 懸浮物

懸浮物是水環(huán)境監(jiān)測和評價的重要指標之一，主要包括懸浮泥沙(無機懸浮顆粒)和有機懸浮顆粒，其組成成分、顆粒分布和含量高低直接影響水體的透明度、渾濁度和水色等光學性質[45]。懸浮物是最早應用遙感估測的水質參數，大量遙感反演模型已經廣泛應用于懸浮物的定量監(jiān)測和時空分布特征等研究[46]，但由于水體環(huán)境的復雜性和懸浮物自身的遷移變化，這些模型仍存在時空局限性。

1973年，Williamson等[47]在利用Landsat MSS數據定量反演切薩比克海灣懸浮物的過程中，首次發(fā)現單波段反射率與原位懸浮物的實測值存在良好的線性回歸關系。Deluca等[48]將MODIS Aqua的附加波段作為機器學習模型的輸入變量，證明隨機森林在保持交叉驗證數據集上的性能比單波段算法略勝一籌，并且在總懸浮物高含量條件下具有特別的優(yōu)勢。Peterson等[49]開發(fā)了一種基于Landsat影像和極端學習機模型的懸浮物定量反演方法，利用該模型對1982—2018年的密西西比河水系進行了長期監(jiān)測。

3.3 有色可溶性有機物

CDOM是決定自然水體水色的重要生物光學參數之一，在內陸水體中通常利用CDOM在440 nm波長處的吸收系數表示其濃度高低[50]。CDOM在水質遙感監(jiān)測中的研究起步較晚，最初致力于消除CDOM對其他水質參數光譜信息的干擾和建立遙感反演CDOM濃度的方法，但研究區(qū)大多集中在濃度較低且空間分布均勻的海洋水體[51]，針對內陸水體(如河口、近岸和水庫等)的研究相對較少。

Gitelson等[52]模擬上行輻亮度光譜和水質參數濃度之間的相關關系，開發(fā)了內陸水體水質實時監(jiān)測的定量遙感方法，提出了計算CDOM的回歸算法。Ana等[53]基于多種數據源反演不同類型水體的CDOM，比較了機器學習模型和傳統(tǒng)經驗算法的結果，突出了以所有波段作為輸入變量后高斯過程回歸模型的良好性能。Zhang等[54]利用最小絕對收縮和選擇算子算法開發(fā)了新的CDOM反演算法，結果表明該算法在原位生物光學數據集和合成數據集下表現出優(yōu)異的性能，并且算法所選擇的特征具有良好的生化可解釋性。

3.4 非光敏參數

非光敏參數的光學特性較弱，信噪比較低，無法利用遙感直接反演[55]，往往需要借助半經驗法或機器學習模型進行間接遙感分析。孫駟陽[56]采用12種機器學習算法反演密云水庫的TP、TN、COD和氨氮，分析這四種水質參數在時空尺度上的變化并對水質波動范圍進行分類，結果表明密云水庫總體質量較好，常年為Ⅱ類水。Zhang等[57]開發(fā)了一種新型貝葉斯概率神經網絡模型，用其定量預測TP、TN、COD和BOD等水質參數，四種水質參數實測值和預測值的相關性系數大小均在0.9以上，實現了廣東省茂州河的大規(guī)模水質監(jiān)測和污染源定位。Guo等[58]基于Sentinel-2影像提供了一種針對小型水體非光敏參數(TP、TN和COD)監(jiān)測的新策略，通過優(yōu)化機器學習模型和圖像波段選擇顯著提高了非光敏參數的反演性能。

4 存在的問題

當前，我國地表水環(huán)境質量總體保持持續(xù)改善的勢頭，但從水生態(tài)環(huán)境保護的整體性來看，不平衡、不協調的問題依然突出。水質遙感監(jiān)測在水生態(tài)環(huán)境保護中表現出廣闊的應用前景，但內陸水體水質遙感監(jiān)測的基礎研究仍然不夠充分，理論和方法也不夠成熟，尚有許多問題存在：

a.衛(wèi)星傳感器的分辨率問題。不同遙感數據源在時間分辨率、空間分辨率、光譜分辨率和輻射分辨率上各有優(yōu)勢和缺陷，這對水質參數提取的精度有著重要影響。內陸水體面積較小，組成成分復雜，受人為活動的影響比較嚴重，需要長期、連續(xù)和高精度的動態(tài)監(jiān)測。

b.水質反演算法的時空局限性。內陸水體光學特性具有較強的區(qū)域性和季節(jié)性特點，即使同一水域也有光學深水區(qū)和光學淺水區(qū)之分。雖然許多遙感反演算法大幅提升了內陸水體水質反演的精度，但因缺乏理論基礎導致可解釋性較差，仍然有較強的時空局限性。

c.水質參數的反演種類和反演機理問題。光敏參數的研究已經日趨成熟，但水體中葉綠素a、懸浮物和CDOM間相互的光譜特征干擾仍受到廣泛關注，此外非光敏參數的反演種類依然較少，反演機理尚不明晰，反演模型仍需發(fā)展，模型精度也有待提高。

d.大氣校正模型問題。國內外學者提出了很多大氣校正模型，但利用標準大氣剖面數據直接進行大氣校正的誤差較大，且不同地區(qū)的大氣剖面狀態(tài)不同。因此，內陸水體的大氣校正需要考慮氣溶膠光學特性的復雜性和水面反射光校正的不確定性。

e.特殊類型水體的水質監(jiān)測問題。內陸水體的水環(huán)境問題依舊存在，針對黑臭水體、富營養(yǎng)化水體和渾濁度較高水體的水質反演仍是水質遙感監(jiān)測研究的重點和難點。這些水體光譜特性復雜，水質影響因素眾多，水質參數的遙感反演進展緩慢，遙感監(jiān)測的精度較低。

5 研究展望

近年來，水生態(tài)健康受到高度重視。生態(tài)環(huán)境部在2019年啟動了重點流域“十四五”規(guī)劃編制工作，印發(fā)了《重點流域水生態(tài)環(huán)境保護“十四五”規(guī)劃編制技術大綱》，將重點流域規(guī)劃名稱由“水污染防治”調整為“水生態(tài)環(huán)境保護”，體現了新時期流域生態(tài)環(huán)境保護工作的新要求。利用遙感技術監(jiān)測內陸水體的水質狀況為水生態(tài)環(huán)境保護提供了新思路和新方法，不僅節(jié)省了大量人力、物力和財力，同時也促進了環(huán)境保護部門高效掌握和監(jiān)管水生態(tài)環(huán)境的實時狀況。目前，基于遙感的內陸水體水質監(jiān)測研究仍需補充和加強，未來應重點關注以下幾個方面：

a.深度融合多種遙感數據源以實現不同時空尺度下的水質反演。未來應充分結合微波遙感與可見光或紅外數據，加強高光譜技術在內陸水體水質遙感監(jiān)測中的應用，發(fā)展專門針對內陸水體(如湖泊、水庫等)水質遙感監(jiān)測的傳感器。

b.生物-光學模型是建立在光學傳輸物理過程上的通用模型，未來應深入研究水質參數的內在光學特性與表面反射率或離水輻亮度之間的理論關系，將生物-光學模型和經驗法、半經驗法、機器學習模型等相結合，建立沒有時間和空間特殊性的反演模型。

c.深入研究水體中不同組分的光譜特征及其差異，發(fā)現各水質參數的光譜響應曲線特征，了解不同水質參數之間光譜相互影響的規(guī)律，同時擴大水質參數的監(jiān)測種類，增強非光敏參數的可行性分析和定量遙感監(jiān)測，建立不同水質參數的光譜特征數據庫。

d.內陸水體大氣校正算法應區(qū)分大氣和水體物質對傳感器總信息貢獻的解耦方法，考慮水域上空不同類型氣溶膠潛在的復雜混合，同時減少或消除水面反射光的干擾。未來應加強對水體光譜特性和機理模型的研究，發(fā)展針對內陸水體水質遙感的精確大氣校正模型。

e.內陸水體的水質遙感監(jiān)測應先通過水體分類構建不同時空尺度下的反演模型，再逐步擴大研究區(qū)域和研究對象，獲得精度高和應用廣的統(tǒng)一模型，最終形成一套完整的內陸水體遙感監(jiān)測體系，為未來的水質遙感監(jiān)測奠定堅實的基礎。