基于光谱特征参数的官厅水库富营养化及污染分析

江澄 马中祺 杨甜 罗阳 何红艳

（1 北京空间机电研究所先进光学遥感技术北京市重点实验室，北京 100094）（2 水利部海河水利委员会海河下游管理局水文水资源管理中心，天津 300061）（3 生态环境部海河流域北海海域生态环境监督管理局，天津 300170）

0 引言

随着京津冀协同发展的推进，作为京津冀地区的生态涵养区、永定河流域的重要水资源支撑平台和生态安全屏障，官厅水库水环境保护对积极推进京津冀协同发展具有重要的意义。然而，由于官厅水库上游流域水资源开发利用过度，水库面临跨边界水量短缺、流域生态环境恶化等危机[1]。要从根本上改善和治理水体环境，需对水体水质指标进行监测，对库区水质变化状况有准确的把握，依据水质参数的差异进行专项治理。卫星遥感具有快速、连续、范围广、周期性、成本相对低廉等特点，是水质监测的实用基本平台。通常水体可分为一类水体和二类水体，一类水体目前已有公认的水质反演模型，二类水体由于有很强的区域性，因此无法得到精度较高、通用性较强的反演模型[2]。

目前，针对二类水体的水质反演方法主要包括经验/半经验方法和分析/半分析方法。经验/半经验方法的核心是水质参数光谱特征的先验已知性，分析/半分析方法的核心是生物光学模型，各自的优缺点已有较多论述[3-5]。在特定的水域，半经验算法有较强的稳定性，同时具有相对较高的反演精度[6-9]。虽然通过实验手段对单种水质参数叶绿素、悬浮泥沙等的光谱特征比较了解，但对与影响水环境污染的浊度、溶解氧等指标缺乏系统深入的认识，对其光谱特征关注度不够。

2018年夏季，海河流域北海海域生态环境监督管理局组织了对官厅水库的水色试验，获取了高品质的水色要素浓度、水体光谱以及环境等参数，本文利用水体实测光谱和实验室分析数据，探讨了水体光谱特征与叶绿素、浊度和溶解氧等富营养化和污染指标之间的相关关系，建立了适用于官厅水库水体的富营养化和污染遥感定量模型，同时分析了反演模型在官厅水库富营养化及污染状态调查应用中的精度。

1 数据获取

官厅水库横跨河北省怀来县和北京市延庆县，位于北京市西北约80km 的永定河官厅山峡的入口处，水面面积为157km2。官厅水库山区面积、丘陵区面积、河川区面积分别为14191km2、16173km2、133038km2，分别占全流域面积的33%、37%、30%，总库容为41.6 亿立方米，控制流域面积42500km2，是北京市集供水、防洪、水产、发电等多功能于一体的水库之一，也是怀来县发展农、林、渔业的主要水源之一[10]。

（1）水体实测光谱数据

2018年6月8日，在官厅水库进行了二类水体反演模型建立与检验的水色试验（试验站位见图1）。本次试验主要测量水体的反射光谱、叶绿素a、浊度、溶解氧，以及气象辅助要素等，共获得17个站位的现场及实验室数据。

在水体光谱测量中，光谱仪在水面之上测量得到的总辐射量L主要源于太阳直射反射、天空光水面反射以及离水辐亮度[11]：

式中Lw是进入水体的光被水体成分散射回来进入传感器的离水辐射量，包含反演所需的水体信息；ρ是水-气界面反射率；Lsky是天空光在水面反射以后进入观测仪器的信号；Lcap是海面白帽的信息，Lg是水面波浪对太阳直射光的随机反射，三者均不含有水体信息。表面测量法的关键是如何消除水面辐射场中因波浪影响而引入的太阳直射反射、白帽和天空光反射成分。

采用手持ASD FieldSpec 光谱仪进行水体表面光谱测量[12]，光谱范围为325～1075nm，其光谱分辨率约为3nm（700nm 处小于3nm）。依次测量水体辐亮度、天空光辐亮度、标准灰板辐照度后，按照下式计算光谱反射率Rrs：

图1 官厅水库采样点分布图Fig.1 The map of sampling sites in Guanting Reservoir

图2 实测反射率光谱Fig.2 Reflectance spectral curves in situ

（2）实验室分析数据

现场试验采集的水样经过实验室分析，叶绿素a（Chlorophyll-a，Chl-a）、浊度（Turbidity，Tur）和溶解氧（Dissolved Oxygen，DO）浓度的信息分别如图3 所示：

采样水体叶绿素a 含量的最大值为14.06μg/L，最小值为2.36μg/L，平均值为5.0713μg/L；浊度的最大值为4.74NTU（散射浊度单位），最小值为0.9NTU，平均值为2.0282NTU；采样水体溶解氧浓度的最大值为11.9mg/L，最小值为8.6mg/L，平均值为9.5571mg/L。

（3）卫星影像数据

卫星影像数据来源于“高分二号”（GF-2）卫星[14]，其波段范围如表1 所示，较好涵盖了反映水色物质光谱特性的波段范围。

图3 水质参数（浓度）实验室分析结果Fig.3 Water quality parameters（concenlration）distribution obtained in lab

表1 GF-2 卫星数据的波段信息Tab.1 Band information of GF-2 satellite data

选取与水体光谱测量准同步的2018年5月25日GF-2 卫星影像数据进行预处理（包括辐射定标、大气校正、几何校正），得到消除大气影响、几何变形后的水体遥感反射率数据。

2 模型与方法

（1）神经网络模型

人工神经网络的误差反向传播训练算法（简称BP 算法）的主要思想是把学习过程分为两个阶段[15-17]：第一阶段为正向传播过程，给出输入信息，通过输入层经隐含层逐层处理并计算每个单元的输出值；第二阶段为误差反向传播过程，若在输出层未能得到期望的输出值，则逐层递归计算当前输出与期望输出的差值（即误差），并依据差值调整权值与阈值，不断迭代上述两个过程，最终使得误差达到最小。

本文采用的神经网络模型为三层前馈型神经网络结构，采用BP 算法进行网络训练，其结构如图4 所示[17]。

图4 三层神经网络结构Fig.4 The neural network structure with three layers

将GF-2 卫星各波段反射率计算的光谱特征参数作为输入，相应的水质参数作为期望输出，模型的训练数据集来自水体光谱测量以及实验室分析结果。

（2）光谱特征参数的最优选择

二类水体的光谱反射率随波长而变化，从图2 可见，在可见光波段出现两个反射峰，第一个反射峰在500～600nm 之间，第二个反射峰在660nm 左右，反射谷则出现在650nm 附近。GF-2 卫星的B1、B2、B3与水体的敏感波段均有重叠，通过研究不同波段与叶绿素a 浓度、浊度和溶解氧浓度的相关关系，以光谱相关系数作为选择最优的光谱特征参数准则，从而筛选出用于反演的光谱特征参数。备选的光谱特征参数包括以下四类：

光谱等效反射率之差 Diff(λ1,λ2)，即

光谱等效反射率之比 Ratio(λ1,λ2)，即

归一化的光谱等效反射率 Norm(λ1,λ2)，即

三波段组合的光谱特征参数 Tri(λ1,λ2,λ3)，即

表2 光谱特征参数的相关系数Tab.2 The correlation coefficients of spectral features parameters

由表2 可知，对于三个待反演的水质参数，筛选后的5个光谱特征参数均有较高的相关系数，其数值均在0.5 以上，最高可达0.8 左右，而且相关性最高的特征均为B3 和B1 的差值组合（Diff（B3, B1））。统计后可知，所有水质参数的高相关性光谱特征参数中，B3 与B1 的出现频率最高，均为10 次，这也与国内外目前经验或半分析水质参数反演算法中利用蓝、红波段作为特征波段的结论相吻合。

同时可见，双波段差值组合出现的频率为7 次，比值组合和归一化差值组合出现的频率均为4 次，而三波段组合的频率为0 次。这说明对于官厅水库而言，波段反射率之差可以较好的反映区域内水质参数状况。

基于上述高相关性光谱特征参数，构建训练数据集，选取70%的数据用于训练模型，15%数据用于测试，15%数据用于验证。训练过程中选择Sigmoid 函数作为神经元的激活函数，经调整后模型包含1个隐含层，隐含层内有10个基本单元。

用于训练模型的实测值与模型估测值之间的散点图如图5 所示，图2 右下角是二者的确定系数R2，结果显示，实测值与估测值均分布在1：1 线（如图5 中虚线所示）附近，DO 和Tur 的训练模型效果最好，确定系数达到0.99 以上，Chl-a 的实测值与估测值之间也有较好的一致性，其确定系数为0.9395。

图5 实测值与估测值散点图Fig.5 The scatter plot between measured and estimated values

3 结果与分析

（1）精度验证

为分析反演模型的适用性以及模型误差，选择遥感影像中所覆盖的8个实地采样点作为精度验证样点，计算实测值与反演值之间的相对误差，叶绿素a、浊度和溶解氧的结果如表3、表4、表5 所示。

表3 叶绿素-a 反演结果验证Tab.3 Validation of Chl-a retrieval results

表4 浊度反演结果验证Tab.4 Validation of Tur retrieval results

表5 溶解氧反演结果验证Tab.5 Validation of DO retrieval results

验证结果显示，叶绿素a 和溶解氧的平均相对误差在23%左右，部分采样点的叶绿素a 浓度相对误差低于10%，浊度的反演误差稍高，相对误差的平均值约为31%，少数点的误差较大，这些误差较大点多存在于实测值较大的点附近。由于遥感像元与采样点存在尺度差异，使得空间分布存在突变，此时单点采样难以代表该点附近像元尺度的区域，并且由于蓝光波段受大气的影响较为严重，大气校正的精度直接影响了水质参数的反演精度。但整体来看，叶绿素a、浊度和溶解氧的反演误差在二类水体反演的误差可接受范围之内（约20%～30%之间）[19-22]。

（2）基于叶绿素的富营养化评价

Chl-a 作为浮游植物的重要组成成分，是衡量浮游植物现存量和水体富营养化程度的重要指标。基于建立的叶绿素反演模型，官厅水库Chl-a 浓度的空间分布如图6 所示。

由反演结果可见，Chl-a 的浓度在水库北部浓度较低，而在南部地区较高。这是由于北部地区水生植物比较茂盛，大量的水生植被吸纳水体中的N、P 等元素，从而抑制了藻类生长，因此该区域内Chl-a 的浓度较低。而在水库南部区域，由于河床较低，湖水较深，水生植物接收的太阳辐射较为稀薄，光合作用薄弱导致表面水体的二氧化碳浓度较高，更适合浮游植物的繁殖，因此该区域内Chl-a 的浓度较高。

为了防治水库水体的富营养化，不但要对水体的富营养化指标进行监测，而且要对水体所处营养状态进行评价。以Chl-a 反演结果为数据源进行营养状态指数TSI 的计算[23]

式中Cchl为水体Chl-a 含量。依据分类标准，对官厅水库进行富营养化水平分类，如图7 所示。官厅水库Chl-a 浓度为1.4～12.9μg/L，平均浓度为5.97μg/L，TSI 在20～50 之间变化，水库北部属于中营养型（30～40），水库南部属于中富营养型（40～50），永定河入口一部分区域富营养化程度较低，TSI 为30左右，处于贫中营养型水平和中营养型水平之间。

图6 叶绿素-a 的空间分布Fig.6 Distribution of Chl-a

图7 官厅水库富营养化情况Fig.7 Eutrophication status of Guanting Reservoir

（3）污染程度分析

基于建立的浊度反演模型和溶解氧反演模型，官厅水库Tur 和DO 的空间分布如图8、图9 所示。Tur代表了水体的“清澈”程度，由图8 可见，Tur 在北部区域普遍呈现为较低值，基本上小于2NTU，而在岸线周边呈现明显高值，约为3NTU，且从永定河入口呈现出向四周扩散状，库区南部的水体浊度逐渐下降，处于低值状态，南部小部分水体浊度基本上小于1NTU。

DO 则直接反映了水体水质状况，其含量越低，说明水体受污染程度越严重。有机物污染严重的水体溶解氧含量低，它与水生生物的生存有着密切的关系。由图9 可见，除近岸区和南部部分水体的DO 值较低外，库区整体DO 值较高。

库区北部河道水流速度快，水体交换能力较强，同时由于水力冲刷作用，沉积物堆积较少，因此水域的浑浊度较低，溶解氧含量较高。南部水体流动缓慢，水体交换能力较差，再加上底泥二次污染，导致库区南部部分区域的浑浊度较高，溶解氧含量较低。库区岸线周边与陆地接壤，生物含量和有机污染都较为严重，由于面源污染导致该区域溶解氧含量低于其它水域。

图8 浊度的空间分布Fig.8 Distribution of Tur

图9 溶解氧的空间分布Fig.9 Distribution of DO

4 结束语

通过寻求最优光谱特征参数并建立其与叶绿素、浊度和溶解氧等富营养化和污染指标之间的相关关系，能够建立针对二类水体富营养化和污染的遥感监测定量模型，更能表现出水色成分与水体光谱之间复杂的非线性关系。基于GF-2 卫星数据反演叶绿素、浊度、溶解氧的平均相对误差分别为23.2%、31.74%、23.75%，在二类水体反演误差的可接受范围之内，表明该模型适用于官厅水库富营养化及污染状态调查，将为官厅水库水资源、水环境和水生态管理提供数据支撑。

在内陆二类水体，高精度的建立水质参数与遥感反射率之间的真实关系具有很大的难度和挑战，本文的工作仅是开始，围绕遥感反射率与水体特性仍有许多有待完善和进一步深入研究的方面：在内陆近岸水域，传统的光谱模型并不适用，下一步将对水体固有光学特征进行深入研究；建立区域的光学-生化参数转换模型，拓展生化参数的遥感反演能力；二类水体水色遥感涉及二类水体大气校正和二类水体水质参数反演两方面问题，下一步将重点在统一的框架体系下考虑上述问题，从而提升遥感监测精度。