侍 昊，李旭文，牛志春，李衛(wèi)正，王甜甜，張 悅

1.江蘇省環(huán)境監(jiān)測中心，江蘇 南京 210036 2.南京林業(yè)大學(xué)現(xiàn)代分析測試中心，江蘇 南京 210037

近幾十年，中國城鎮(zhèn)化和工業(yè)化進程的發(fā)展速度不斷加快，但城市基礎(chǔ)設(shè)施建設(shè)不足，使一些城市水體直接成為工業(yè)、農(nóng)業(yè)及生活廢水的主要排放通道和場所，導(dǎo)致部分水體大面積污染，引起水體富營養(yǎng)化，形成黑臭。城市水體黑臭不僅給群眾帶來了極差的感官體驗，也直接影響群眾的生產(chǎn)生活。鑒于此，黑臭水體整治已經(jīng)成為各級人民政府改善城市人居環(huán)境的重要內(nèi)容。2015年4月，國務(wù)院頒布的《水污染防治行動計劃》中提出“加大黑臭水體治理力度，到2020年底前完成黑臭水體治理目標(biāo)”[1]。針對黑臭水體一般為令人不悅的水色，在遙感影像上常表現(xiàn)出與正常水體不同的光譜反射曲線特點，住房城鄉(xiāng)建設(shè)部、環(huán)境保護部引入衛(wèi)星遙感技術(shù)加強對城市黑臭水體整治工作的監(jiān)督，并將信息實時反饋到“全國城市黑臭水體整治監(jiān)管平臺”。目前，依靠衛(wèi)星遙感對全國295個地級及以上城市開展黑臭水體監(jiān)測，存在高分?jǐn)?shù)據(jù)成像周期較長、易受天氣因素影響等問題，對于治理效果的監(jiān)管存在一定滯后性，會造成與群眾感官的差異。隨著無人機技術(shù)的出現(xiàn)，有效彌補了衛(wèi)星遙感監(jiān)測上的不足，該技術(shù)可在云下低空飛行，具有靈活性大、影像分辨率高、時效性強、成本低等諸多優(yōu)點[2]。近年來，已有學(xué)者利用無人機在水環(huán)境遙感監(jiān)測上進行了初步的研究工作，但飛機搭載的傳感器以普通數(shù)碼相機為主，而搭載多光譜、高光譜、近紅外、雷達等專業(yè)載荷相對較少[3-6]。此外，利用無人機對城市黑臭水體開展專項遙感調(diào)查研究幾乎鮮有報道。為此，針對當(dāng)前城市黑臭水體監(jiān)管工作的業(yè)務(wù)需求，本文提出利用多旋翼微型無人機搭載多光譜相機開展黑臭水體監(jiān)測實驗；基于無人機獲取的影像數(shù)據(jù)開展多種圖像變換嘗試，分析多光譜數(shù)據(jù)對黑臭水體的識別能力。在此基礎(chǔ)上，采用面向?qū)ο蠓诸惙椒ㄌ崛〕鞘兴h(huán)境遙感信息，初步形成城市黑臭水體無人機遙感監(jiān)測技術(shù)方法，以期為國內(nèi)水污染防治行動計劃落實提供新的技術(shù)支撐。

1 飛行實驗概況

1.1 實驗方案設(shè)計

飛行實驗區(qū)位于江蘇省南京市河西南部(東經(jīng)118°40′27″，北緯31°59′26″)，長期大面積工程建設(shè)造成區(qū)域內(nèi)建筑垃圾隨意傾倒，水體中存有大量漂浮物，部分水體已呈現(xiàn)黑綠色，暫無明顯臭味。選擇2016年5月13日開展無人機飛行，實驗當(dāng)天天氣晴朗，風(fēng)力小于2級，具有較好的氣象條件。航飛前對現(xiàn)場進行實地踏勘，檢查航拍區(qū)域的基本情況，確定安全起飛和降落的位置。同時，為消除光照變化、拍攝角度等原因引起的相同地物點在不同無人機影像上的輻射信息不一致問題，起飛前、后均使用原廠自帶白板進行初步校正。在此基礎(chǔ)上，采用替代定標(biāo)法進行反射率計算，即在地面用地物光譜儀測量參照物的反射率光譜曲線，建立地物反射率與影像灰度值之間的線性關(guān)系[7]。

1.2 無人機載荷

飛行實驗采用美國生產(chǎn)的Octocopter八旋翼無人機，飛機直徑為1 300 mm，最大載重約16.0 kg，最大飛行時間約48 min，具有垂直起降、定點懸停、中慢速巡航飛行等功能，較適合開展多重復(fù)、定點、多尺度、高分辨作業(yè)[2]。飛機搭載了輕型的MicaRedEdge多光譜相機(重約150 g)，可獲取藍、綠、紅、紅邊、近紅外5個波段的信息，最大空間分辨率可達8 cm，采用12-bit RAW格式進行數(shù)據(jù)存儲。此外，MicaRedEdge多光譜相機的波段設(shè)置近似于2008年德國發(fā)射的RapidEye衛(wèi)星載荷(表1)，影像具有較好的代表性、可比性，將成為土地利用監(jiān)測、土地分類、環(huán)境監(jiān)測等的重要數(shù)據(jù)源[8]。

表1 不同傳感器波長范圍Table 1 The wavelength range of different sensors

2 研究方法

2.1 無人機影像預(yù)處理

針對微型無人機獲取的圖像覆蓋范圍小，飛行路線和姿態(tài)的變化、攝像鏡頭的光學(xué)畸變等因素，也會導(dǎo)致獲取的遙感圖像無規(guī)律、灰度不一致、存在幾何畸變的可能[2]。本文利用Pix4D mapper軟件，對無人機圖像進行匹配、拼接、校正等。Pix4D mapper可自動讀取相機的基本參數(shù)(相機型號、焦距、像主點等)，處理過程不完全依賴姿態(tài)信息，只需提供影像曝光點GPS信息，自動進行光束法區(qū)域網(wǎng)平差[9]。無人機數(shù)據(jù)預(yù)處理包括完成影像特征點提取、匹配、相機參數(shù)優(yōu)化、控制點信息載入，點云加密及平滑濾波，數(shù)字表面模型和正射影像生成等[10]。

2.2 影像特征信息變換

無人機拍攝的影像空間分辨率較高、空間信息量豐富，但光譜分辨率相對較低。為有效挖掘影像的特征信息，利用ENVI軟件，對多個波段進行一系列的數(shù)學(xué)計算，增強不同類別地物的光譜差異。經(jīng)篩選，選用了衛(wèi)星遙感影像信息變換中常用的光譜指數(shù)、主成分變換、紋理分析3類變換方法[11-16]，詳見表2。

表2 遙感影像信息變換方法Table 2 The list of different remote sensing image transformation methods

2.3 影像專題信息提取

與傳統(tǒng)基于像元的遙感分類方法相比，基于面向?qū)ο蟮姆椒ㄒ跃哂胸S富語義信息對象作為解譯目標(biāo)，對黑臭水體等小區(qū)域信息特征的提取更加有效。利用eCognition軟件，通過合并影像相鄰的像素或小的分割對象，在保證對象之間平均異質(zhì)性最小、對象內(nèi)部像元之間同質(zhì)性最大的前提下，實現(xiàn)影像分割[17]。在此基礎(chǔ)上，利用標(biāo)準(zhǔn)最鄰近分類法(Standard Nearest Neighbor Classification)提取黑臭水體的專題信息。首先，標(biāo)準(zhǔn)最鄰近分類法要定義影像對象的類別，從各個類別中選取具有代表性的樣本，將具有代表性的樣本組成樣本集合。然后，獲取優(yōu)化的特征空間，精確地區(qū)分地物類別[18]。技術(shù)流程見圖1。

圖1 面向?qū)ο笞钹徑诸惣夹g(shù)流程Fig.1 Flow chart of the nearest neighbor classification technology

3 結(jié)果與討論

3.1 影像基本特征分析

無人機獲取的5個波段圖像經(jīng)質(zhì)量檢查后，未發(fā)現(xiàn)無規(guī)律、灰度偏差、明顯幾何畸變等問題。如圖2所示,與時間相近的GF-2衛(wèi)星遙感影像(2016年7月8日，融合后空間分辨率為1 m)相比，無人機影像上地物清晰，具有更加豐富的色彩和紋理特征，可有效補充衛(wèi)星影像上無法識別的小型河道及周邊的生態(tài)景觀狀況。

圖2 無人機和GF-2遙感影像Fig.2 Remote sensing images of UAV and GF-2 satellite

無人機影像特征統(tǒng)計結(jié)果如表3、表4所示。藍、綠、紅、紅邊、近紅外波段的灰度值取值范圍為[4 832.00,65 220.00]，平均值取值范圍為[11 437.66,28 890.23]，標(biāo)準(zhǔn)差范圍為[4 614.14,16 443.37]，其中藍波段的信息量相對較小，近紅外波段的信息量相對較大；從波段的相關(guān)性上看，藍和紅具有較高的相關(guān)性(相關(guān)系數(shù)為0.94)，近紅外與藍、近紅外與紅邊相關(guān)性較低(相關(guān)系數(shù)分別為0.03、-0.05)。選擇(近紅外波段+藍波段)和(近紅外波段+紅波段)，并減少(藍波段+紅波段)的彩色組合,可最大限度地降低波段間的冗余度,獲得較好的目視效果。

表3 無人機影像特征值統(tǒng)計Table 3 Statistical characteristic of UAV images

表4 無人機影像相關(guān)性分析Table 4 UAV image correlation analysis

3.2 特征地物信息提取

3.2.1 尺度分割與分類構(gòu)建

本次無人機飛行獲取的影像覆蓋范圍較小，地物類型及結(jié)構(gòu)相對簡單，以河道及周邊草(灌)景觀為主。根據(jù)實踐經(jīng)驗，將各波段權(quán)重設(shè)置為1，分割尺度設(shè)置為250，形狀因子、緊致度因子分別設(shè)置為0.1、0.5時，可較好地區(qū)分水體、灌叢、草地、漂浮物、裸地。5類地物光譜曲線，見圖3。

圖3 不同類型地物灰度值曲線Fig.3 DN curves of different ground objects

可見，水體、裸地、漂浮物和植被類(灌叢和草地)在藍到近紅外波段之間具有較好的分離度；水體、裸地的灰度值分別在[10 692.54，17 200.37]、[30 440.68,34 480.80]范圍內(nèi)；而灌叢、草地和漂浮物在藍、綠、紅、紅邊波段的取值相近，但在近紅外波段出現(xiàn)較大差異，3類均值分別為47 060.84、40 246.57、26 986.80。

3.2.2 特征空間選擇

對無人機影像進行光譜指數(shù)、主成分分析、紋理變換分析，結(jié)果見表5。可見，總體上光譜指數(shù)比信息熵、主成分分析方法更能明顯增強植被、水體、裸地、漂浮物等不同地物之間的信息差異。從光譜指數(shù)上看，比值植被指數(shù)和歸一化植被指數(shù)對灌叢、草地、漂浮物具有較好的識別能力，但很難區(qū)分水體和裸地。歸一化水體指數(shù)對水體、裸地、漂浮物具有較強的敏感性，但對分離灌叢和草地能力一般。所有指數(shù)中，歸一化紅邊植被指數(shù)對地物的敏感性最低。若將上述敏感指數(shù)組合使用，可有效提升地物的判別精度。從3個主成分的特征上看，第一主成分貢獻率最高，達到了97.20%，能夠較為清晰地分辨水體、植被、裸地。但圖像上灌叢和草地的區(qū)分度較低。從紋理特征上看，影像上水體、裸地的信息熵相對較為穩(wěn)定，分別在0.80、2.14上下略有波動。灌叢、草地、漂浮物的信息熵在綠到紅波段之間表現(xiàn)為略有下降，但總體特征相近。

表5 不同地物的特征變量均值Table 5 The mean value of characteristic variables of different ground objects

3.2.3 標(biāo)準(zhǔn)最鄰近分類

無人機影像的數(shù)據(jù)量大，若分類特征越多，帶來特征冗余越大，導(dǎo)致計算量的猛增，造成分類效率的降低[18]。因此，在使用原始波段的基礎(chǔ)上，優(yōu)先選擇判別能力較高的光譜指數(shù)參與分類，共計9個特征變量，即藍波段、綠波段、紅波段、紅邊波段、近紅外波段、最大化差異度量、亮度、歸一化植被指數(shù)、歸一化水體指數(shù)。分類樣本的分離度分析，結(jié)果見表6?？梢姡?dāng)選擇5維特征空間(歸一化植被指數(shù)、紅邊波段、紅邊波段、綠波段、歸一化水體指數(shù))時，類別之間的可分性最大(分離度達到0.25)；各類中裸地和灌叢的分離度最高，達到了4.12，水體和漂浮物的相似度最高，分離度值僅為0.25。

表6 不同地物類型的分離度矩陣Table 6 Resolution matrix of different ground objects

3.3 精度評估與分析

由表7可以看出，影像的總體分類精度為93.16%，Kappa系數(shù)為0.88。灌叢、裸地、水體的形狀非常規(guī)則，紋理特征明顯，亮度值有差異，分類正確率較高。部分漂浮物和稀疏草地光譜特征相近，較難分辨，容易造成混淆，使分類精度略有下降?？傮w分類結(jié)果如圖4所示，區(qū)域內(nèi)水體、灌叢、草地、漂浮物、裸地面積分別為1 212.14、1 045.78、1 781.27、76.47、137.86 m2。

表7 分類精度評價Table 7 Accuracy assessment on classification

圖4 黑臭水體分類結(jié)果Fig.4 The classification results of malodorous black water

經(jīng)現(xiàn)場核查發(fā)現(xiàn)，該河流由于缺少相關(guān)的管控措施，河道兩側(cè)水域以未清理的水生植物、水華藻類等所形成的腐敗物為主，河道中央存在一定數(shù)量的漂浮垃圾，是水體發(fā)黑的主要區(qū)域；岸帶上為無序生長的草(灌)和堆放建筑垃圾的裸土地。此外，核查中并未發(fā)現(xiàn)城鎮(zhèn)污水處理廠尾水排口、工業(yè)企業(yè)事故性排放等其他污染源排入。

4 結(jié)語

針對當(dāng)前城市黑臭水體篩查和監(jiān)管工作的需求，利用微型無人機搭載多光譜相機獲取的影像，開展了無人機遙感數(shù)據(jù)預(yù)處理、光譜特征變化分析、專題信息提取等一系列研究工作，較高精度地提取了城市水環(huán)境信息，初步形成了一套適合于城市黑臭水體的無人機遙感監(jiān)測的技術(shù)方法，具有開展業(yè)務(wù)化監(jiān)測的應(yīng)用潛力。但在研究中也發(fā)現(xiàn)，未來城市黑臭水體無人機遙感監(jiān)測還應(yīng)重點關(guān)注以下2個方面:

1)大部分無人機影像的空間分辨率很高，對黑臭水體水色及水域周邊典型地物具有較好的判別能力。但如何利用無人機影像光譜特征界定水體輕度和重度黑臭級別，建立與黑臭水體透明度、溶解氧、氨氮等常規(guī)監(jiān)測指標(biāo)之間的關(guān)系，識別黑臭水體的點源、面源、內(nèi)源等不同類型的污染源，還需要進一步研究和探索。

2)現(xiàn)有黑臭水體無人機遙感監(jiān)測以水色光譜特征差異為基礎(chǔ)，判定水體黑的情況，但對臭的問題并無探測能力。因此，加強無人機輕便型氣體遙感監(jiān)測設(shè)備的研發(fā)，形成對H2S、NH3等氣體的協(xié)同探測能力，也將是城市黑臭水體無人機遙感監(jiān)測發(fā)展的關(guān)鍵內(nèi)容。

參考文獻(References)：

[1] 國務(wù)院. 國務(wù)院關(guān)于印發(fā)水污染防治行動計劃的通知：國發(fā)〔2015〕17號[EB/OL](2015-04-16)[2017-01-01].http://www.gov.cn/zhengce/content/2015-04/16/content_9613.htm.

[2] 汪沛, 羅錫文, 周志艷, 等. 基于微小型無人機的遙感信息獲取關(guān)鍵技術(shù)綜述[J]. 農(nóng)業(yè)工程學(xué)報, 2014,30(18)：1-12.

WANG Pei, LUO Xiwen, ZHOU Zhiyan, et al. Key Technology for Remote Sensing Information Acquisition Based on Micro UAV[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014,30(18):1-12.

[3] 洪運富, 楊海軍, 李營, 等.水源地污染源無人機遙感監(jiān)測[J]. 中國環(huán)境監(jiān)測, 2015,31(5)：163-166.

HONG Yunfu, YANG Haijun, LI Ying, et al. Monitoring of Water Source Using Unmanned Aerial Vehicle Remote Sensing Technology[J]. Environmental Monitoring in China, 2015,31(5)：163-166.

[4] 程翔, 楊波, 李倩霞. 無人機攝影測量在水體污染評估中的應(yīng)用[J]. 測繪與空間地理信息， 2016,39(8)：180-185.

CHENG Xiang, YANG Bo, LI Qianxia. Application of Unmanned Aerial Vehicle Photogrammetry to Water Quality Assessment[J]. Geomatics & Spatial Information Technology, 2016,39(8)：180-185.

[5] KRAAIJENBRINK P D A, SHEA J M, PELLICCIOTTI F, et al. Object-Based Analysis of Unmanned Aerial Vehicle Imagery to Map and Characterise Surface Features on a Debris-Covered Glacier[J]. Remote Sensing of Environment, 2016, 186:581-595.

[6] 畢凱，李英成，丁曉波，等．輕小型無人機航攝技術(shù)現(xiàn)狀及發(fā)展趨勢[J]．測繪通報, 2015(3):27-31．

BI Kai，LI Yingcheng，DING Xiaobo, et al. Aerial Photogrammetric Technology of Light Small UAV：Status and Trend of Development[J]. Bulletin of Surveying and Mapping, 2015(3):27-31．

[7] 楊貴軍, 萬鵬, 于海洋, 等.無人機多光譜影像輻射一致性自動校正[J]. 農(nóng)業(yè)工程學(xué)報, 2015,31(9):147-153.

YANG Guijun, WAN Peng, YU Haiyang, et al. Automatic Radiation Uniformity Correction of Multispectral Imagery Acquired with Unmanned Aerial Vehicle[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015,31(9):147-153.

[8] 王廣亮, 李英成, 陳志軍,等. RapidEye衛(wèi)星影像質(zhì)量分析與彩色合成方案研究[J]. 遙感信息,2011,2:98-101.

WANG Guangliang, LI Yingcheng, CHEN Zhijun, et al. Quality Analysis and Color Composition Scheme of RapidEye Satellite Image[J]. Remote Sensing Information, 2011,2:98-101.

[9] KUING O, STRECHA C, BEYELEM A, et al. The Accuracy of Automatic Photogrammetraic Techniques on Ultra-Light UAV[C]. The International Archives of the Photogrammetry. Remote Sensing and Spatial Information Sciences(UAV-g). Switzerland：Zurich,2011:1-6.

[10] 劉杰, 李衛(wèi)正, 張青萍, 等.基于小型UAV的森林公園正射影像制圖分析——以上海濱江森林公園為例[J]. 西北林學(xué)院學(xué)報, 2016,31(2):213-218.

LIU Jie, LI Weizheng, ZHANG Qingping, et al. DOM Mapping Analysis of Forest Park Based on UAV-A Case Study of Shanghai Riverside Forest Park[J]. Journal of Northwest Forestry University, 2016, 31(2):213-218.

[11] OYAMA Y, MATSUSHITA B, FUKUSHIMA T. Distinguishing Surface Cyanobacterial Blooms and Aquatic Macrophytes Using Landsat/TM and ETM+Shortwave Infrared Bands[J]. Remote Sensing of Environment, 2015, 157:35-47.

[12] ZHAO D H, JIANG H, YANG T W, et al. Remote Sensing of Aquatic Vegetation Distribution in Taihu Lake Using an Improved Classification Tree with Modified Thresholds[J]. Journal of Environmental Management, 2012, 95(1):98-107.

[13] 侍晨，張婷，李旭文，等.基于多星遙感影像的太湖北部湖灣春季沉水植被分布動態(tài)監(jiān)測[J].環(huán)境監(jiān)控與預(yù)警，2016(1)：13-18.

SHI Hao, ZHANG Ting, LI Xuwen, et al. Dynamic Monitoring of Distribution of Submerged Vegetation in the North of Taihu Lake in Spring Based on Multi Source Remote Sensing Images[J]. Environmental Monitoring and Forewarning, 2016(1):13-18.

[14] 林川，宮兆寧，趙文吉. 基于中分辨率TM數(shù)據(jù)的濕地水生植被提取[J]. 生態(tài)學(xué)報, 2010, 30(23)：6 460-6 469.

LIN Chuan, GONG Zhaoning, ZHAO Wenji. The Extraction of Wetland Hydrophytes Types Based on Medium Resolution TM Data[J]. Acta Ecologica Sinica, 2010,30(23)：6 460-6 469.

[15] 韓鵬, 龔健雅,李志林. 基于信息熵的遙感分類最優(yōu)空間尺度選擇方法[J]. 武漢大學(xué)學(xué)報(信息科學(xué)版), 2008,33(7):676-679.

HAN Peng, GONG Jianya, LI Zhilin. A New Approach for Choice of Optimal Spatial Scale in Image Classification Based on Entropy[J]. Geomatics and Information Science of Wuhan University, 2008,33(7):676-679.

[16] 徐涵秋, 唐菲. 新一代Landsat系列衛(wèi)星:Landsat 8遙感影像新增特征及其生態(tài)環(huán)境意義[J]. 生態(tài)學(xué)報, 2013,33(11):3 249-3 257.

XU Hanqiu, TANG Fei. Analysis of New Characteristics of the First Landsat 8 Image and Their Eco-Environmental Significance[J]. Acta Ecologica Sinica, 2013,33(11)：3 249-3 257.

[17] 易鳳佳, 李仁東, 常變?nèi)?，? 面向?qū)ο蟮那鹆陞^(qū)水田遙感識別方法[J]. 農(nóng)業(yè)工程學(xué)報, 2015,31(11):186-193.

Yi Fengjia, Li Rendong, Chang Bianrong, et al. Remote Sensing Identification Method for Paddy Field in Hilly Region Based on Object-Oriented Analysis[J]. Transactions of the Chinese Society of Agricultural Engineering, 2015,31(11):186-193.

[18] 周龍君, 陳曉芬, 楊利娟. 面向?qū)ο髽?biāo)準(zhǔn)最鄰近分類法在地理國情監(jiān)測中的應(yīng)用[J]. 測繪與空間地理信息, 2016,39(5):155-157.

ZHOU Longjun, CHEN Xiaofen, YANG Lijuan. Object-Based Standard Nearest Neighbor Classification Used in National Geomatics Monitoring[J]. Geomatics & Spatial Information Technology, 2016,39(5):155-157.