龍昶宇 營(yíng) 軍

（1.安徽省·水利部淮河水利委員會(huì)水利科學(xué)研究院（安徽省水利工程質(zhì)量檢測(cè)中心站）合肥 230088 2.水利水資源安徽省重點(diǎn)實(shí)驗(yàn)室 合肥 230088 3.淮北市水土保持和水利規(guī)劃室淮北 235000）

1 引言

現(xiàn)場(chǎng)測(cè)量實(shí)現(xiàn)水體污染監(jiān)測(cè)的方法已經(jīng)十分成熟，但是這類方法對(duì)于區(qū)域尺度的水體污染情況不能提供有效信息。隨著遙感影像的時(shí)空分辨率的增加和逐步深入應(yīng)用，促進(jìn)了區(qū)域尺度的水體污染監(jiān)測(cè)技術(shù)的發(fā)展。多光譜衛(wèi)星傳感器獲取的影像數(shù)據(jù)與現(xiàn)場(chǎng)水質(zhì)測(cè)量數(shù)據(jù)的結(jié)合，已經(jīng)被廣泛應(yīng)用于估測(cè)葉綠素a、賽克盤深度、總磷、總氮、濁度、水色等多種水質(zhì)參數(shù)，以及葉綠素a、賽克盤深度和總磷三個(gè)參數(shù)推導(dǎo)出來(lái)的卡爾森營(yíng)養(yǎng)狀態(tài)指數(shù)等。雖然多光譜衛(wèi)星圖像已經(jīng)在水庫(kù)水質(zhì)監(jiān)測(cè)中得到廣泛應(yīng)用，但有學(xué)者認(rèn)為多光譜衛(wèi)星圖像的尺度不適用于小水庫(kù)的水質(zhì)監(jiān)測(cè)。此外，實(shí)地測(cè)量與影像獲取的云層遮蓋和時(shí)間間隔也會(huì)對(duì)水質(zhì)狀態(tài)制圖產(chǎn)生不利影響。

為了較大程度降低混合像元、大氣效應(yīng)、數(shù)據(jù)獲取時(shí)間差、水流動(dòng)的波紋效應(yīng)和鏡面反射、有限的采樣點(diǎn)水質(zhì)分析結(jié)果等的影響，使用窗口平均方法分別建立總氮（TN）、總磷（Tp）和化學(xué)需氧量（COD）等水質(zhì)參數(shù)指標(biāo)與UAV 波段比數(shù)據(jù)（綠、紅、紅邊和近紅外波段的排列相比的值）相關(guān)性的回歸模型。一方面是為了研究窗口平均算法在水質(zhì)映射經(jīng)驗(yàn)?zāi)Ｐ徒７矫娴男阅?，另一方面是為了研究無(wú)人機(jī)的多光譜數(shù)據(jù)是否適用于小型水庫(kù)水質(zhì)監(jiān)測(cè)。

2 研究區(qū)與數(shù)據(jù)源

2.1 研究區(qū)

張山水庫(kù)位于安徽省滁州市定遠(yuǎn)縣西北方向西卅店鎮(zhèn)北張莊村境內(nèi)，水庫(kù)覆蓋面積約0.34km2，總庫(kù)容約244 萬(wàn)m3。張山水庫(kù)是一座小型水庫(kù)，水庫(kù)水源既要灌溉下游農(nóng)戶耕地，還要供給周圍林場(chǎng)牧場(chǎng)規(guī)?；笄蒺B(yǎng)殖，因此被選定為研究地點(diǎn)。2019年10月23日采樣當(dāng)天，水庫(kù)8 時(shí)水位117.81m，庫(kù)容28.6 萬(wàn)m3。

2.2 無(wú)人機(jī)數(shù)據(jù)預(yù)處理

該研究使用的無(wú)人機(jī)遙感系統(tǒng)主要獲取的是綠波段（G：550nm，帶寬40nm）、紅波段（R：660nm，帶寬40nm）、紅邊光波段（Red_edge：735nm，帶寬10nm）以及近紅外波段（NIR：790nm，帶寬40nm）的多光譜圖像數(shù)據(jù)（格式為帶有坐標(biāo)信息的TIFF 格式）。張山水庫(kù)的成像面積約42.8hm2，單飛一程有730 個(gè)定點(diǎn)拍攝，總共獲取730×4 張圖像，每張圖像的像素大小為1280×960。圖像預(yù)處理的流程主要包括軟件的拼接處理和圖像幾何校正。該研究利用Pix4Dmapper 4.5.2 專業(yè)影像處理軟件進(jìn)行圖像拼接，基本處理過(guò)程包括：初步處理、空三加密以及數(shù)字表面模型和數(shù)字正射影像圖的生成。

2.3 水庫(kù)實(shí)地測(cè)量數(shù)據(jù)

2019年10月23 日早上，在張山水庫(kù)進(jìn)行無(wú)人機(jī)成像采集之后，同步采集了水庫(kù)水樣，并于當(dāng)天下午送往新馬橋?qū)嶒?yàn)站進(jìn)行采樣數(shù)據(jù)的分析，該研究共設(shè)置采樣點(diǎn)6 個(gè)，每個(gè)采樣點(diǎn)同時(shí)采集10 個(gè)數(shù)據(jù)，這些測(cè)量數(shù)據(jù)主要為后續(xù)建立回歸模型提供水質(zhì)參數(shù)。

3 方法

3.1 窗口平均算法（WAM，WINDOW AVERAGE METHOD）

窗口平均算法（WAM 算法）需要一個(gè)n×n 的緩沖窗口，n 的值需要改變，通過(guò)計(jì)算不同窗口大小的像元平均值來(lái)尋找最佳匹配。

3.2 線性回歸模型

采用對(duì)數(shù)變換的水質(zhì)參數(shù)與波段比之間的線性回歸模型，如下所示：

式中：X 是波段比值；Y 代表水質(zhì)參數(shù)；a 與b分別代表系數(shù)和偏差。該研究使用Pearson 的卡方檢驗(yàn)（chi-squared test）來(lái)檢驗(yàn)相關(guān)系數(shù)的統(tǒng)計(jì)顯著性。

4 結(jié)果與結(jié)論

4.1 水質(zhì)參數(shù)擬合結(jié)果

對(duì)UAV 影像做預(yù)處理得到多光譜的圖像之后，再應(yīng)用平均窗口算法建立水質(zhì)參數(shù)和光譜特征值之間的回歸模型。建模結(jié)果如下所示。

WAM 算法考慮了五種情況，分別在不同n×n 大小的窗口內(nèi)取平均值，n 值設(shè)置5、9、19、49、99， 分別代表0.35×0.35m2，0.63×0.63m2，1.33×1.33m2，3.43×3.43m2，6.93×6.93m2范圍內(nèi)的波段反射比平均值，ln（NIR/R）與ln（TN）的相關(guān)分析結(jié)果見表1。Pearson 系數(shù)的r 值為正與文獻(xiàn)資料預(yù)期一致，19×19 像元窗口的平均可得到最優(yōu)的回歸模型，99.5%的ln（TN）能夠被ln（NIR/R）解釋。

表1 用WAM 算法對(duì)ln（NIR/R）與ln（TN）做相關(guān)回歸擬合表

表2列出了ln（Tp）、ln（COD）與ln（NIR/R）、ln（Red_edge/G）之間的相關(guān)分析結(jié)果，發(fā)現(xiàn)ln（NIR/R）、ln（Red_edge/G）與ln（Tp）均呈正相關(guān)，ln（NIR/R）與ln（COD）呈負(fù)相關(guān)。如果忽略未考慮的水質(zhì)參數(shù)（如懸浮物質(zhì)泥沙、藻類等）對(duì)COD 的影響，則認(rèn)為總氮總磷是影響化學(xué)需氧量的唯一因素。不幸的是，-0.702 是表2中最高的Pearson 系數(shù)，但負(fù)相關(guān)性與文獻(xiàn)資料中的假設(shè)不一致。其中，0.2696 皮爾遜系數(shù)和0.2727 皮爾遜系數(shù)是ln（Tp）與ln（NIR/R）、ln（Red_edge/G）關(guān)系的最優(yōu)解，卻僅解釋了7.27%和7.44%的Tp。

表2 用WAM 算法對(duì)ln（NIR/R）、ln（Red_edge/G）與ln（TP）、ln（COD）做相關(guān)回歸擬合表

由最大像素窗口覆蓋的地面區(qū)域（99×99），近似等于衛(wèi)星圖像的一個(gè)像素所覆蓋的面積，因此UAV 圖像比衛(wèi)星影像具有小得多的最小映射單元。然而像元窗口內(nèi)值轉(zhuǎn)換為單個(gè)平均值可能涉及混合像元問(wèn)題，這會(huì)妨礙回歸模型擬合。例如，在表2中，相關(guān)性會(huì)隨著窗口的增大呈由弱到強(qiáng)再到弱的趨勢(shì)，說(shuō)明較大的像元窗口是可能遭受到比較小的像元窗口更大的混合像元影響，從而導(dǎo)致對(duì)數(shù)轉(zhuǎn)換之后的波段比值與水質(zhì)參數(shù)（Tp、COD）之間的相關(guān)性降低。

WAM 算法的結(jié)果表明，在五種情況中，最優(yōu)解的窗口平均大小為19×19 即對(duì)應(yīng)實(shí)際地面面積為1.33×1.33m2的情況，這與遙感影像波段比值所作結(jié)果相一致。此外，WAM 算法適宜于建立TN 與NIR/R 之間的線性回歸，但不適用于其他水質(zhì)參數(shù)與對(duì)數(shù)波段比值建立回歸模型。

4.2 結(jié)論

該研究結(jié)果表明，與傳統(tǒng)的攝影測(cè)量以及衛(wèi)星遙感數(shù)據(jù)相比，無(wú)人機(jī)圖像的精細(xì)時(shí)空分辨率可以有效規(guī)避天氣對(duì)航空成像的負(fù)面影響。在得到更有效結(jié)果的同時(shí)，相比傳統(tǒng)遙感數(shù)據(jù)，無(wú)人機(jī)在小型水庫(kù)的水質(zhì)狀態(tài)估算過(guò)程中也提供了性價(jià)比更高的解決方案。該實(shí)驗(yàn)已經(jīng)證明，無(wú)人機(jī)成像技術(shù)可以應(yīng)用于小型水庫(kù)的水質(zhì)參數(shù)估算。

建立合適的回歸模型對(duì)于遙感數(shù)據(jù)在水質(zhì)監(jiān)測(cè)中的應(yīng)用通常很困難。該研究使用的WAM 算法，是一種匹配最佳回歸模型的方法。研究結(jié)果表明，WAM 算法在估算總氮水質(zhì)參數(shù)時(shí)效果較好，在估算總磷和化學(xué)需氧量水質(zhì)參數(shù)方面效果較差。

目前，該研究只實(shí)現(xiàn)了單個(gè)時(shí)段的水質(zhì)參數(shù)估算，但水庫(kù)的管理和監(jiān)測(cè)以及對(duì)水資源的可持續(xù)規(guī)劃需要長(zhǎng)時(shí)間的跟蹤監(jiān)測(cè)。因此，還需要尋找適合的方法實(shí)現(xiàn)長(zhǎng)時(shí)間序列的水質(zhì)參數(shù)估算■