肖 瀟，徐 堅，趙登忠，胡承芳，汪朝輝，程學軍

(1.武漢大學 資源環(huán)境與科學學院，武漢 430079；2.長江科學院 空間信息技術(shù)應用研究所，武漢 430010)

?

漢江中下游典型河段水環(huán)境遙感評價

肖 瀟1,2，徐 堅2，趙登忠2，胡承芳2，汪朝輝2，程學軍2

(1.武漢大學 資源環(huán)境與科學學院，武漢 430079；2.長江科學院 空間信息技術(shù)應用研究所，武漢 430010)

選擇漢江中下游典型河段作為研究區(qū)域，利用2012年春、夏、秋3季水質(zhì)采樣結(jié)果及HJ1A衛(wèi)星CCD同步多光譜數(shù)據(jù)，建立了研究區(qū)總氮濃度BP神經(jīng)網(wǎng)絡(luò)反演模型，并根據(jù)反演結(jié)果對研究區(qū)進行水質(zhì)狀況評價。研究結(jié)果表明：基于彈性BP訓練算法(啟發(fā)式訓練算法)的BP神經(jīng)網(wǎng)絡(luò)模型反演精度高，適用性強，可真實反映研究區(qū)總氮濃度在不同河段及不同季節(jié)中的變化情況，可較好地利用國產(chǎn)衛(wèi)星數(shù)據(jù)開展流域水質(zhì)評價工作。水質(zhì)評價結(jié)果表明研究區(qū)在不同季節(jié)和不同區(qū)域水質(zhì)差異較大，研究區(qū)春季總氮指標嚴重超標，夏、秋2季指標優(yōu)于春季，下游指標優(yōu)于上游。

漢江中下游；典型河段；水質(zhì)評價；神經(jīng)網(wǎng)絡(luò)；多光譜數(shù)據(jù)；遙感反演模型

1 研究背景

水質(zhì)評價是水環(huán)境治理與監(jiān)控中的重要工作，通過水質(zhì)監(jiān)測，對水質(zhì)做出合理評價，才能制定有針對性的水環(huán)境治理規(guī)劃和方案。利用樣點水樣采集、指標分析和等級評價等傳統(tǒng)手段進行水質(zhì)評價只能給出樣點處的水質(zhì)狀況，難以達到對大面積水域進行評價的要求，而大規(guī)模開展實地采樣分析將消耗大量的人力、物力和財力。近年來，隨著遙感技術(shù)的飛速發(fā)展，越來越多的研究者利用遙感手段對水體進行快速連續(xù)、動態(tài)監(jiān)測?；谶b感技術(shù)進行水質(zhì)評價，國內(nèi)外研究者已開展許多相關(guān)研究[1-8]。大多數(shù)研究是利用遙感數(shù)據(jù)定量反演水質(zhì)參數(shù)濃度，再以水質(zhì)參數(shù)濃度為基準建立水質(zhì)評價模型。其中利用遙感數(shù)據(jù)反演水質(zhì)參數(shù)濃度常采用經(jīng)驗模型和半經(jīng)驗模型，而這些模型往往反演精度不高且普適性不強，其原因主要是由于內(nèi)陸水體組分之間相互影響，水體的光學特性比較復雜，簡單的線性回歸模型難以對濃度進行準確估算，且模型容錯性能不高。在這種情況下，研究人員將神經(jīng)網(wǎng)絡(luò)方法、遺傳算法等非線性關(guān)系優(yōu)化法引入到水質(zhì)參數(shù)反演研究中，其中使用較多的為神經(jīng)網(wǎng)絡(luò)算法。神經(jīng)網(wǎng)絡(luò)是一種黑箱算法，它不需要了解輸入與輸出之間的關(guān)系，模型通過簡單的非線性函數(shù)多次擬合，可以實現(xiàn)低維到高維的非線性精確映射，具有較強的自適應能力?；谶@些優(yōu)點，神經(jīng)網(wǎng)絡(luò)方法可以很好地模擬遙感信號與水質(zhì)參數(shù)之間復雜的非線性關(guān)系，且反演精度遠高于經(jīng)驗模型[9-12]。針對總氮指數(shù)，也有不少相關(guān)研究，如利用TM影像資料建立鄱陽湖和太湖的總氮指數(shù)神經(jīng)網(wǎng)絡(luò)反演模型，并將模型較好地應用于湖泊水質(zhì)調(diào)查、分析和評價[13-14]；利用SPOT5遙感影像，建立渭河陜西段BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)水質(zhì)反演模型，研究表明對于自然河流，神經(jīng)網(wǎng)絡(luò)模型的水質(zhì)參數(shù)反演結(jié)果明顯好于線性回歸線模型結(jié)果[15]。

雖然神經(jīng)網(wǎng)絡(luò)模型在水質(zhì)參數(shù)遙感反演模型的建立上具有很多優(yōu)點(高速計算能力，大容量記憶能力，學習能力及容錯能力等)，但神經(jīng)網(wǎng)絡(luò)模型眾多，訓練算法也舉不勝舉，所以選擇適合的神經(jīng)網(wǎng)絡(luò)模型、訓練算法及相關(guān)參數(shù)確定則是解決問題的關(guān)鍵。本文以漢江中下游典型河段為研究區(qū)域，利用2012年春、夏、秋3季所獲得的水質(zhì)實測數(shù)據(jù)，結(jié)合環(huán)境一號衛(wèi)星同步多光譜數(shù)據(jù)(HJ-1A CCD)，以包含一層隱含層的BP神經(jīng)網(wǎng)絡(luò)為例，利用多種改進的BP訓練算法建立研究區(qū)水質(zhì)參數(shù)反演模型，通過性能對比得到最適研究區(qū)水質(zhì)參數(shù)濃度估算的BP神經(jīng)網(wǎng)絡(luò)訓練算法及相關(guān)參數(shù)；再基于反演結(jié)果進行河流水質(zhì)評價。

2 數(shù)據(jù)及預處理

2.1 研究區(qū)

根據(jù)漢江水體污染特點及野外實地調(diào)查，劃定研究區(qū)、確定了20個監(jiān)測斷面(圖1)，于2012年春、夏、秋3季開展水質(zhì)取樣調(diào)查工作，并利用單因子污染指數(shù)評價法對所采集的水質(zhì)樣本進行初步評價。因漢江是沿江城市重要的水源地，根據(jù)《地表水環(huán)境質(zhì)量標準》(GB3838—2002)，漢江應以Ⅲ類水為控制目標。所以，根據(jù)對研究區(qū)水體水質(zhì)參數(shù)的初步評價可以看出，研究區(qū)監(jiān)測斷面水體總氮指標的單因子污染指數(shù)在春季和夏季均有不同程度的超標，在秋季有所好轉(zhuǎn)，上游水質(zhì)劣于下游。研究區(qū)水體總氮濃度統(tǒng)計見圖2。

圖1 研究區(qū)及監(jiān)測斷面Fig.1 Study areas and monitoring sections

圖2 研究區(qū)水體總氮濃度統(tǒng)計情況Fig.2 Statistics of TN concentration of study area

2.2 遙感影像預處理

河流流動性大，對遙感影像的重返周期要求很高，因此本文采用HJ-1A衛(wèi)星多光譜數(shù)據(jù)，其重返周期為2～3 d，可以滿足河流水質(zhì)的監(jiān)測要求。在實地采樣時，為保證采樣周期與重返周期相符合，實驗通常進行2～3 d。在獲取與實地采樣時間相符合的影像數(shù)據(jù)后，對影像數(shù)據(jù)進行預處理，主要進行幾何糾正、大氣校正等。其中，幾何精糾正基于1∶50 000地形圖及TM精糾正影像，利用ERDAS遙感圖像處理軟件完成。大氣校正則通過ENVI軟件進行影像數(shù)據(jù)的大氣校正，選用基于modtran4+傳輸模型的FLAASH模型對研究區(qū)域進行大氣校正。在處理的過程中，選擇大氣模型為MSL，氣溶膠模型為Rural，能見度為40 km[8,16]。

2.3 水質(zhì)評價方法選擇

在進行天然河流水質(zhì)評價時，常用的評價方法主要有單因子指數(shù)評價法、單因子水質(zhì)標識指數(shù)法、綜合污染指數(shù)法及綜合水質(zhì)標識指數(shù)法，這4種方法各有其優(yōu)劣。根據(jù)前期研究認為單因子水質(zhì)標識指數(shù)法最適合進行研究區(qū)水質(zhì)評價[17]。這種方法由同濟大學徐祖信提出[18]，它是由1位整數(shù)和小數(shù)點后2位或3位有效數(shù)字組成，表示為

(1)

式中：X1代表第i項水質(zhì)指標的水質(zhì)類別；X2代表監(jiān)測數(shù)據(jù)在X1類水質(zhì)變化區(qū)間中所處的位置；X3代表水質(zhì)類別與水功能區(qū)劃設(shè)定類別的比較結(jié)果。

這種方法的主要優(yōu)點在于它不僅與傳統(tǒng)的單因子指數(shù)評價法一樣，可以確定主要超標物質(zhì)，還可以對主要超標物質(zhì)進行定量評估。不僅能完整表達水質(zhì)類別，還能直接水質(zhì)反映達標情況，并可直觀表示主要超標物質(zhì)的時空變化趨勢。采用該方法對研究區(qū)水質(zhì)進行評價的結(jié)果見表1。

可以看出，研究區(qū)總氮濃度的變化具有明顯的季節(jié)性，總氮指數(shù)從春季到秋季呈現(xiàn)明顯好轉(zhuǎn)趨勢。

3 計算模型

BP神經(jīng)網(wǎng)絡(luò)模型(反向傳播法)是神經(jīng)網(wǎng)絡(luò)分

表1 單因子水質(zhì)標識指數(shù)結(jié)果分析

類器中最普遍的形式，其重要應用之一就是函數(shù)逼近，它可以建立訓練樣本集中地從輸入到輸出的任意的非線性、非顯函數(shù)映射關(guān)系，其特點適合水質(zhì)定量遙感反演研究。雖然BP神經(jīng)網(wǎng)絡(luò)被人們廣泛應用，但也存在一些限制與不足，針對傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的缺點，許多學者提出了優(yōu)化算法來提高其網(wǎng)絡(luò)性能[19]。從模型訓練模式來看，這些優(yōu)化算法可以分為啟發(fā)訓練式和數(shù)值優(yōu)化訓練式(也稱為快速訓練式或智能優(yōu)化訓練式)2類[20-21]。

通過對HJ-1A多光譜數(shù)據(jù)4個波段與研究區(qū)總氮濃度進行相關(guān)性分析，選擇參與建模的波段。將29種波段及波段組合與研究區(qū)水體實測總氮濃度進行相關(guān)性分析，根據(jù)分析結(jié)果可以看出，春季總氮濃度與波段組合(B2+B4)/(B1+B3)的相關(guān)性最高，相關(guān)系數(shù)R為0.51；夏季總氮濃度與波段組合(B2+B4)/(B1+B3)的相關(guān)性最高，相關(guān)系數(shù)R為0.78；秋季總氮濃度與波段組合(B1+B2)/(B3+B4)，相關(guān)系數(shù)R為0.76。故將HJ-1A多光譜數(shù)據(jù)的4個波段作為輸入項，總氮濃度作為期望輸出項。在建模之前對樣本進行歸一化處理，使得輸入、目標值處于-1～1之間。利用HJ-1A多光譜數(shù)據(jù)，采用標準BP訓練算法、啟發(fā)式訓練算法(彈性BP算法、附加動量法等)和數(shù)值優(yōu)化訓練算法(比例共軛梯度法、Levenberg-Marquardt法)分別建立總氮濃度反演模型，再通過分析比較得出最適研究區(qū)的BP神經(jīng)網(wǎng)絡(luò)訓練算法。

3.1 初始值設(shè)定

在建立不同訓練函數(shù)的BP神經(jīng)網(wǎng)絡(luò)之前，必須先選定BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，即確定網(wǎng)絡(luò)層數(shù)、神經(jīng)元數(shù)目、每層的激勵函數(shù)以及學習速率等幾個方面。從BP神經(jīng)網(wǎng)絡(luò)的構(gòu)成可以得知，單層網(wǎng)絡(luò)在運算速度和解決非線性問題的精度上沒有優(yōu)勢，而過多網(wǎng)絡(luò)層數(shù)又會使網(wǎng)絡(luò)復雜化，延長網(wǎng)絡(luò)訓練的時間。通常情況下，研究人員優(yōu)先選擇調(diào)整隱含層中的神經(jīng)元數(shù)目來提高網(wǎng)絡(luò)精度，不僅容易調(diào)整，且訓練效果也更易觀察。在激勵函數(shù)的選擇上，一般選擇具有非線性放大系數(shù)功能的S型函數(shù)?；谝陨峡紤]，本文使用包含一個隱含層的BP神經(jīng)網(wǎng)絡(luò)，即網(wǎng)絡(luò)層數(shù)為3層，輸入層激勵函數(shù)采用常用的S型激活函數(shù)，輸出層則采用線性激活函數(shù)，根據(jù)網(wǎng)絡(luò)結(jié)構(gòu)及實際情況，設(shè)定神經(jīng)元個數(shù)為3～10個[22-23]；其余參數(shù)設(shè)定需滿足不同算法擬合結(jié)果的可比性，故確定學習速率為0.05，顯示周期為1 000，迭代次數(shù)為20 000，目標誤差為0.000 5。

3.2 模型建立

本文引入標準BP算法、啟發(fā)式算法和數(shù)值優(yōu)化算法共7種BP神經(jīng)網(wǎng)絡(luò)改進訓練算法，包括標準BP算法、附加動量法、自適應速率法、彈性BP法，比例共軛梯度、擬牛頓法、Levenberg-Marquardt法；利用2012年總氮濃度與同期衛(wèi)星多光譜數(shù)據(jù)建立研究區(qū)分季節(jié)總氮濃度遙感反演模型，選用平均相對誤差(RE)、均方根誤差(RMSE)進行精度校驗，從而得到最適及性能最穩(wěn)定的訓練算法。在每次模型建立過程中，將20組數(shù)據(jù)隨機分成4組，其中3組作為建模組，1組作為校驗組進行循環(huán)計算，以4次循環(huán)計算中RMSE最小者為最優(yōu)。具體擬合精度見圖3。

從圖3(a)中可以看出，Levenberg-Marquardt法的擬合情況最好，在神經(jīng)節(jié)點為9的時候精度最高；而從校驗結(jié)果圖3(b)卻發(fā)現(xiàn)，基于Levenberg-Marquardt訓練算法得出的擬合結(jié)果出現(xiàn)誤差增大、模型泛化能力降低的問題，而基于彈性BP法訓練算法的擬合結(jié)果更為穩(wěn)定，在驗證環(huán)節(jié)中沒有出現(xiàn)“泛化能力”降低問題。因此，針對2012年春季數(shù)據(jù)而言，結(jié)合圖3(a)、圖3(b)的統(tǒng)計結(jié)果，綜合考慮均方根誤差和平均相對誤差兩個值及模型泛化能力，認為彈性BP訓練算法為最優(yōu)算法，神經(jīng)網(wǎng)絡(luò)節(jié)點數(shù)為7。

同樣,在2012年夏季，從圖3(c)中也可以看出Levenberg-Marquardt法的擬合效果最好，但從圖3(d)中的驗證結(jié)果可以看出該法也表現(xiàn)出 “泛化能力”降低的問題。因此，針對2012年夏季數(shù)據(jù)而言，綜合考慮RMSE和RE兩個值及模型泛化能力，認為彈性BP訓練算法為最優(yōu)算法，神經(jīng)網(wǎng)絡(luò)節(jié)點數(shù)為6。

與2012年春季及夏季類似，從2012年秋季的擬合結(jié)果中可以看出，基于Levenberg-Marquardt訓練算法也出現(xiàn)了擬合結(jié)果誤差增大，模型泛化能力降低的問題，即使圖3(e)中表現(xiàn)出RMSE及RE最小，而圖3(f)中RMSE和RE增大，擬合結(jié)果不能接受。因此，針對2012年秋季數(shù)據(jù)而言，依舊是彈性BP訓練算法為最優(yōu)算法，神經(jīng)網(wǎng)絡(luò)節(jié)點數(shù)為7。

此外，根據(jù)擬合過程得出，BP算法、彈性BP法、比例共軛梯度法、Levenberg-Marquardt法的收斂速度較快。其中，Levenberg-Marquardt法收斂速度最快，且精度最高，但在3個數(shù)據(jù)集中都出現(xiàn)了“泛化能力”降低的問題，故認為該算法在此適應性不強。綜上所述，考慮均方根誤差，平均相對誤差和模型泛化能力，以及從試驗過程中對模型的調(diào)試狀態(tài)來看，認為基于彈性BP訓練算法的BP神經(jīng)網(wǎng)絡(luò)(神經(jīng)網(wǎng)絡(luò)節(jié)點為6—7)收斂速度快、擬合精度高、適用性強，性能穩(wěn)定，認為最適合研究區(qū)總氮濃度遙感反演模型建立。

4 水質(zhì)評價

根據(jù)模型性能比較結(jié)果，利用HJ1A多光譜數(shù)據(jù)，基于彈性BP訓練算法的BP神經(jīng)網(wǎng)絡(luò)所建立的研究區(qū)總氮濃度反演模型的模擬精度最高。因此，使用反演估算結(jié)果進行研究區(qū)水體評價(圖4)。

圖4 2012年研究區(qū)總氮單因子水質(zhì)標識指數(shù)空間分布Fig.4 Spatial distribution of single-factor identification index of water quality with total nitrogen in the research areas in 2012

從研究區(qū)總氮因子水質(zhì)標識指數(shù)空間分布圖4看，對比實測數(shù)據(jù)計算得到的水質(zhì)評價結(jié)果(圖中標注數(shù)字為利用實測數(shù)據(jù)計算得到的評價結(jié)果)，當總氮指標超過劣五類水指標時，部分經(jīng)反演結(jié)果得到的指標略低于實測結(jié)果得到的指標；當總氮指標處于三類水或優(yōu)于三類水指標時，經(jīng)反演結(jié)果得到的指標與實際情況相符，說明基于彈性BP訓練算法建立的反演模型可信度高、普適性強，能夠很好地反映出研究區(qū)整體水質(zhì)情況。

如圖4所示，研究區(qū)總氮指數(shù)在春季嚴重超標，而在夏季和秋季總氮濃度下降，研究區(qū)水質(zhì)狀況轉(zhuǎn)好，這主要是由于春季研究區(qū)周圍農(nóng)田施用農(nóng)藥等引起。且下游指數(shù)優(yōu)于上游，這主要是由于研究區(qū)上游毗鄰農(nóng)田，而下游緊靠城市，農(nóng)業(yè)中大量施用的化肥、農(nóng)藥、家畜糞便等隨著地表徑流進入上游江段，造成上游指標劣于下游的情況。此外，總氮單因子水質(zhì)標識指數(shù)分布圖可以反映總氮指標的高值區(qū)，且高值區(qū)與實測數(shù)據(jù)的分布狀態(tài)相符合。

為進一步驗證該模型的適用性，本文選取同一水域不同河段進行模型驗證，結(jié)果表明，2012年春季的總氮指數(shù)全線超標，同年夏季明顯下降，而秋季已達到三類水標準，與實際情況相符，說明基于BP神經(jīng)網(wǎng)絡(luò)模型(彈性BP訓練算法)反演結(jié)果得出的研究區(qū)水質(zhì)評價結(jié)果具有很高的可信度及適用性。

5 結(jié)論與展望

本文利用7種訓練算法建立了BP神經(jīng)網(wǎng)絡(luò)總氮濃度遙感反演模型，通過在漢江中下游典型河段進行驗證比較，均表明利用BP彈性算法得到的結(jié)果反演精度最高，能準確反映水質(zhì)參數(shù)的空間分布情況，表明該模型具有很高的可信度與適用性。

BP神經(jīng)網(wǎng)絡(luò)雖然是發(fā)展最為成熟的神經(jīng)網(wǎng)絡(luò)之一，但由于它是基于負向梯度下降算法的網(wǎng)絡(luò)模型，因此不可避免地存在一些缺陷和不足，如無法跳出局部極小值、學習時間長、收斂速度慢、拓撲結(jié)構(gòu)難以確定等[23]。在將BP神經(jīng)網(wǎng)絡(luò)算法用于水質(zhì)遙感評價的研究中，一般并未對BP神經(jīng)網(wǎng)絡(luò)的訓練算法進行適合性篩選，通常是基于計算工具中的神經(jīng)網(wǎng)絡(luò)工具直接進行模擬，或基于標準BP訓練的改進算法進行模擬，后一種情況雖然可以通過改進得到最適合研究區(qū)狀況的BP訓練算法，但改進過程復雜且耗時。如果基于較為合適的BP訓練算法進行優(yōu)化則可大大地減少工作量。因此進行訓練算法的篩選就顯得尤為必要了。

在利用BP神經(jīng)網(wǎng)絡(luò)進行水環(huán)境評價時，除了訓練算法和神經(jīng)元個數(shù)外，網(wǎng)絡(luò)的層數(shù)、激活函數(shù)以及學習速率都會影響模型精確度和適用性，本文結(jié)合研究區(qū)自身特點和已有研究成果，預設(shè)網(wǎng)絡(luò)層數(shù)、激活函數(shù)類型等進行網(wǎng)絡(luò)訓練，沒有單獨考慮這些因素對模型的影響，所以未來還需要在網(wǎng)絡(luò)層數(shù)、激活函數(shù)等參數(shù)的選取方面做更深入的研究，提高網(wǎng)絡(luò)設(shè)計的精度，將神經(jīng)網(wǎng)絡(luò)方法更好地應用于利用遙感數(shù)據(jù)進行內(nèi)陸水體水質(zhì)評價工作中。

[1] 鄔明權(quán), 牛 錚, 高 帥, 等. 渤海陸源入海排污口的多尺度遙感監(jiān)測分析[J]. 地球信息科學學報, 2012, 14(3): 405-410.

[2] 顧 清. 浙江省飲用水水庫水質(zhì)演變及風險評價研究[D]. 浙江：浙江大學, 2014.

[3] 朱 琳. 西太湖宜興段近岸水質(zhì)分析與現(xiàn)狀評價[D]. 南京：南京林業(yè)大學, 2013.

[4] BITELLI G, MANDANICI E. Atmospheric Correction Issues for Water Quality Assessment from Remote Sensing: The Case of Lake Qarun (Egypt)[C]∥ Society of Photo-optical Instrumentation Engineers. Proceedings of Remote Sensing. International Society for Optics and Photonics. Toulouse France,September 21-23, 2010: 78311Z-1-78311Z-8.

[5] MARKOGIANNI V, DIMITRIOU E, KARAOUZAS I. Water Quality Monitoring and Assessment of An Urban Mediterranean Lake Facilitated by Remote Sensing Applications[J]. Environmental Monitoring and Assessment, 2014, 186(8): 5009-5026.

[6] SYAHREZA S, MATJAFRI M Z, LIM H S,etal. Water Quality Assessment in Kelantan Delta Using Remote Sensing Technique[C]∥SPIE Security + Defence. Proceedings of International Society for Optics and Photonics. Edinburgh, United Kingdom, September 24-26, 2012: 85420X-1-85420X-7.

[7] ALPARSLAN E,AYD?NER C,TUFEKCI V,etal. Water Quality Assessment at ?merli Dam Using Remote Sensing Techniques[J]. Environmental Monitoring and Assessment, 2007, 135(1-3): 391-398.[8] THIEMANN S, KAUFMANN H. Determination of Chlorophyll Content and Trophic State of Lakes Using Field Spectrometer and IRS-1C Satellite Data in the Mecklenburg Lake District, Germany[J]. Remote Sensing of Environment, 2000, 73(2): 227-235.[9] KEINER L E, YAN X H. A Neural Network Model for Estimating Sea Surface Chlorophyll and Sediments from Thematic Mapper Imagery[J]. Remote sensing of environment, 1998, 66(2): 153-165.

[10]ZHANG Y, PULLIAINEN J, KOPONEN S,etal. Application of An Empirical Neural Network to Surface Water Quality Estimation in the Gulf of Finland Using Combined Optical Data and Microwave Data[J]. Remote Sensing of Environment, 2002, 81(2): 327-336.

[11]SUN D, LI Y, WANG Q,etal. Development of Optical Criteria to Discriminate Various Types of Highly Turbid Lake Waters[J]. Hydrobiologia, 2011, 669(1): 83-104.

[12]CHAMI M, ROBILLIARD D. Inversion of Oceanic Constituents in Case I and II Waters with Genetic Programming Algorithms[J]. Applied Optics, 2002, 41(30): 6260-6275.

[13]王建平, 程聲通, 賈海峰, 等. 用 TM 影像進行湖泊水色反演研究的人工神經(jīng)網(wǎng)絡(luò)模型[J]. 環(huán)境科學，2003，24(2): 73-76.

[14]呂 恒，江 南，羅瀲蔥. 基于TM數(shù)據(jù)的太湖葉綠素A濃度定量反演[J].地理科學，2006，26(4)：472-476.

[15]趙玉芹，汪西莉，薛 賽.渭河水質(zhì)遙感反演的人工神經(jīng)網(wǎng)絡(luò)模型研究[J].遙感技術(shù)與應用，2009，24(1)：63-66.

[16]肖 瀟，胡承芳，徐 堅.漢江水質(zhì)多源遙感監(jiān)測與評價方法研究技術(shù)報告[R].武漢：長江水利委員會長江科學院，2013.

[17]XIAO Xiao, HU Cheng-fang, WEN Xiong-fei,etal. A Study on Water Quality Assessment in Typical Area of Middle and Lower Reaches of the Hanjiang River[C]∥ The Center for Earth Observation and Digital Earth. Proceedings of the 35th International Symposium on Remote Sensing of Environment. Beijing, China, April 22-26, 2013: 212-1—212-8.

[18]徐祖信. 我國河流綜合水質(zhì)標識指數(shù)評價方法研究[J]. 同濟大學學報: 自然科學版, 2005, 33(4): 482-488.

[19]WEN J, LI Z J, WEI L S,etal. The Improvements of BP Neural Network Learning Algorithm[C]∥ IEEE Signal Processing Society. Proceedings of 5th International Conference on Signal Processing. Beijing, China, August 21-25, 2000: 1647-1649.

[20]陳明忠. BP 神經(jīng)網(wǎng)絡(luò)訓練算法的分析與比較[J]. 科技廣場, 2010 ，(3): 24-27.

[21]呂瓊帥. BP 神經(jīng)網(wǎng)絡(luò)的優(yōu)化與研究[D]. 鄭州: 鄭州大學, 2011.

[22]張德豐，MATLAB神經(jīng)網(wǎng)絡(luò)應用設(shè)計[M].北京，機械工業(yè)出版社，2009.

[23]褚 輝，賴慧成，一種改進的BP神經(jīng)網(wǎng)絡(luò)算法及應用[J].計算機仿真，2007,24(4)：75-77.

(編輯：曾小漢)

Remote Sensing Assessment of Water Quality for Typical Segmentsin the Middle and Lower Reaches of Hanjiang River

XIAO Xiao1,2, XU Jian2, ZHAO Deng-zhong2, HU Cheng-fang2，WANG Zhao-hui2，CHENG Xue-jun2

(1.School of Resource and Environmental Sciences, Wuhan University, Wuhan 430079, China;2.Spatial Information Technology Application Department, Changjiang River Scientific Research Institute, Wuhan 430010, China)

Typical segments in the middle and lower reaches of Hanjiang River were taken as study areas for water quality. According to sampling results and synchronized multi-spectral CCD data of HJ-1A satellite in spring, summer and autumn of 2012, we establish a retrieval model of BP neural network for TN (total nitrogen) concentration ,and assess water quality of the study areas based on the retrieval results. The results show that, on the basis of resilient BP training algorithm (heuristic-based training algorithm), the retrieval model of BP neural network established is of high accuracy and wide application fields, which can truly reflect the changes in TN concentration in different reaches and different seasons , and is easy to utilize domestic satellite data to carry out assessment work of water quality ; furthermore, assessment results indicate that water quality of the research areas varies a lot with seasons and reaches: the value of TN indicator in spring significantly exceeds standard value , in other words, value of this indicator in summer or autumn is lower than that in spring. Finally, concentration of TN of downstream area is lower than that of upstream area.

middle and lower reaches of Hanjiang River; typical segments of river; assessment of water quality；neural network；multi-spectral data; remote sensing inversion model； typical segments of river

2015-01-27；

2015-02-23

國家自然科學基金項目( 41201452， 41301435);科技部國家國際合作專項項目(2012DFR70760); 國家軟科學研究計劃項目(2012GXS2B008) ；長江科學院中央級公益性科研院所基本科研業(yè)務(wù)費(CKSF2012029/KJ，CKSF2014035/KJ，CKSF2014032/KJ)

肖 瀟(1986-)，女，湖北武漢人，工程師，碩士，主要從事水環(huán)境遙感研究，(電話)027-82926895(電子信箱)danny_xiaoxiao@126.com。

10.11988/ckyyb.20150100

2016,33(01):31-37

P237；TP79

A

1001-5485(2016)01-0031-07