论文部分内容阅读
[摘 要]当前的社会经济发展情况下，环境污染问题越来越严重，最突出的是随着工业的发展，农业和生活污水肆意排放，水资源遭到严重的破坏，在这种情况下，有必要加强对水质的监测。
[关键词]水质监测；遥感技术；数据获取；反演模型；数据模型组合
中图分类号：R997 文献标识码：A 文章编号：1009-914X（2017）29-0031-01
宏观、实时的监测水体水质的变化情况，使相关部门及时掌握水体环境，对水体污染等事件作出动态跟踪并分析具有重要意义。传统的水体水质分析方法依赖于实地测量和实验室化学分析，对人力物力的消耗极大，而且监测点位十分有限，不能从总体上反映水质的变化。为解决传统方法上的不足，满足水体水质监测需求，遥感技术被引进了水质监测领域，它能够快速、宏观、实时地对水体环境进行调查和监测。随着水质参数光谱特征及算法研究的不断深入，遥感水质监测技术逐渐从定性发展到定量，可反演的水质参数除叶绿素a、悬浮物、黄色物质参数外，还包括浊度、化学需氧量COD、五日生化需氧量BOD5、透明度、总磷、总氮等。近年來，高光谱遥感技术广泛应用于水质监测，水质参数反演精度得到进一步提高。此外，基于对水体辐射传输机理的深入了解，很多人开始致力于对现有水质遥感监测算法进行了改进，进一步提高反演精度。
1 水质遥感监测数据获取手段
自1978年8月nasa發射第一颗海洋水色监测传感器，越来越多的水质监测进行运用。根据光谱分辨率不同，可分为多光谱遥感数据和高光谱遥感数据。多光谱遥感的出现早于高光谱遥感，最早用于水体水质监测，为了满足对水体光谱特征的精细化提取的要求，高光谱成像数据和非成像水质光谱数据应用于水质监测。如表1
如表1中所示，水质监测主要的数据来源可分为多光谱数据、高光谱成像数据以及非成像光谱数据。由于数据比较容易获取，TM/ETM+多光谱影像在国内外水体水质定量遥感反演中得到了较为广泛的应用。虽然TM/ETM+影像用于水质遥感取得了一些成果，但是其波段设置对于水质遥感并不合理，水质参数的光谱特征不能详尽地显示在此类影像上，这使得水质参数反演算法主要通过经验算法进行建模，模型仅能适用于特定时间和特定水域的监测。
近年来，高光谱水质遥感监测技术得到了较大的发展。其中，EO-1上搭载的世界上第一个星载民用高光谱成像仪Hyperion虽然不是专门为水质监测而设计的，但由于其较高的光谱分辨率和空间分辨率，拓宽并深化了水质遥感监测在海洋和内陆湖泊中的应用研究。然而，Hyperion数据价格昂贵，这限制了它在水质监测领域的应用。现阶段，国内外主要使用相对容易获取的MODIS、MERIS数据、SeaWiFS宽视场水色扫描仪数据以及HIS超光谱成像仪对水体水质参数进行研究。我国2011年成功发射的天宫一号携带的高光谱成像仪可提供高光谱全色数据、短波红外谱段数据、热红外谱段数据以及更高分辨率的其他观测数据。机载平台上成像光谱仪的应用也已较为成熟，现阶段应用比较广泛的有美国喷气推进实验室研制的AVIRIS系统，加拿大ITRES公司的CASI/SASI航空成像光谱测量系统，中国上海技术物理研究所研制的OMIS、PHI高光谱数据。成像光谱仪能够同时获取高光谱分辨率和高空间分辨率遥感影像，加拿大的CASI-1500传感器能够在380～1050nm范围内采集288个波段的影像信息，而在飞行高度为2.60km，飞行速度为110nmile/h情况下，地面分辨率可以达到1m。我国的OMIS相对于PHI有更宽泛的光谱范围，其中可见———近红外光谱区（0.46～1.1μm）有32个波段。此类影像用于水质遥感监测，能够获取空间尺度上更加精细的影像产品，潜力巨大。
2 典型水质因素光谱遥感反演监测模型
水质遥感监测方法自20世纪70年代提出以来，经历了从定性到定量的发展过程，随着传感器技术的进步以及对物质光谱特征的深入研究，水质遥感监测方法由最初的水域识别发展到对水体各组分浓度进行遥感监测、制图和预测。利用传感器获取水面光谱反射率，根据水质参数与水体光谱特征的关系，建立水质反演模型，提取水质指标。常用的提取水体叶绿素浓度、悬浮物浓度、透明度等水质指标的模型有：经验模型；半经验（半分析）模型；神经网络模型；物理机理（物理分析）模型。
在4种模型中，经验模型是最简单直接的反演方法，它通过不同波段遥感反射比与水质参数之间的函数关系，建立回归方程求得水质参数数值，虽然可以通过优化波段选择提高反演精度，但由于诸如实地测量数据与影像数据非同步等原因，水质参数与遥感数据之间的事实相关性得不到保证，使得该方法理论依据不严密，所得到的结果仅适用于研究区域，而很难进行推广。
半分析方法是根据水质指标的光谱特性，结合统计分析算法或其他数学模型，确定用于水环境参数反演的波谱范围、波段、波段组合等，从而建立遥感数据和水质参数间的定量经验算法。它考虑了水体生物光学特性，理论上具有较高的精度和较好的通用性，但是在实际应用中，效果不是很突出，这主要是由于实验条件的不足难以获取所有的先验知识，通常的做法就是直接引用前人的研究成果，然而水域、时节不同，有些参数会发生变化。这就造成半分析方法最终反演结果出现偏差，精度甚至低于经验算法。此后，为了提高反演精度，神经网络模型、主成分分析等方法被引入水质遥感监测。
与传统方法相比，神经网络模型的自学习性、自适应性、并行性、非线性全局作用和容错功能，使其在建立复杂的水质参数反演模型中表现出一定优势，已被用于海洋、湖泊等水体的水质遥感监测中。目前常用于水质反演的神经网络模型是BP神经网络模型。由于神经网络模型需要大量样本且不能保证全局误差为最小值，一些人对其进行了改进，但由于神经网络模型需大量样本数据，从而限制了其推广作用。
为了克服以上模型的局限性，物理机理模型应运而生，该模型也是水体遥感的研究热点。物理机理模型是以水体光学辐射传输模型为基础，根据水体及其组分的吸收系数和后向散射系数，建立水质浓度与反射光谱的相关模拟模型，反演组分含量。物理机理模型是基于已知水体组分的散射、吸收等参数，而这些参数需实地观测得出，且有些参数随水域不同而变化，且理论基础尚不成熟，简化模型假设使得预测值并不能满足精度的要求，所以往往只能用于特定的研究区域，可移植性差。
3 不同水体光谱遥感监测应用
3.1 Ⅰ类大洋水体应用情况
水体成分反演结果与水体水质的复杂性具有很大的关系。对于I类大洋水体，水体组成成分较为简单，光学特性容易测量，黄色物质、悬浮物质浓度较小，叶绿素含量对此类水体的光学特性起决定性因素。对于此类水体水质的遥感反演可以简化为单变量问题，传统的经验统计模型就能满足业务化需求。
3.2 Ⅱ类近海水体与内陆水体应用情况
Ⅱ类近海水体与内陆水体组成成分复杂多变，不同组分的光学特性共同影响水体光谱曲线，使得遥感反射比与水体各成分浓度之间呈复杂的非线性函数关系，这给固定水质参数的反演带来困难，传统的波段比值算法应用于此类水体反演误差较大。目前，通过化学分析、实地测量的方法，已经能够了解单个水质参数的光谱特征，但多个水质参数之间产生的耦合效应成为研究的难点。
结束语
综上所述，水资源与人们生活息息相关，快速有效地掌握水质是非常重要的。为了及时推进水质评价报告，应结合现有的无线传感器网络技术和物联网技术对水质进行实时预测和评价。
参考文献
[1] 毛玉婷 基于遥感技术的湖泊水质监测研究 [J].《科技传播》，2014（22）
[2] 吕航，马蔚纯，周立国，等.淀山湖微量水质参数卫星高光谱遥感估算[J].复旦学报：自然科学版，2013，52（2）：238-246.
[关键词]水质监测；遥感技术；数据获取；反演模型；数据模型组合
中图分类号：R997 文献标识码：A 文章编号：1009-914X（2017）29-0031-01
宏观、实时的监测水体水质的变化情况，使相关部门及时掌握水体环境，对水体污染等事件作出动态跟踪并分析具有重要意义。传统的水体水质分析方法依赖于实地测量和实验室化学分析，对人力物力的消耗极大，而且监测点位十分有限，不能从总体上反映水质的变化。为解决传统方法上的不足，满足水体水质监测需求，遥感技术被引进了水质监测领域，它能够快速、宏观、实时地对水体环境进行调查和监测。随着水质参数光谱特征及算法研究的不断深入，遥感水质监测技术逐渐从定性发展到定量，可反演的水质参数除叶绿素a、悬浮物、黄色物质参数外，还包括浊度、化学需氧量COD、五日生化需氧量BOD5、透明度、总磷、总氮等。近年來，高光谱遥感技术广泛应用于水质监测，水质参数反演精度得到进一步提高。此外，基于对水体辐射传输机理的深入了解，很多人开始致力于对现有水质遥感监测算法进行了改进，进一步提高反演精度。
1 水质遥感监测数据获取手段
自1978年8月nasa發射第一颗海洋水色监测传感器，越来越多的水质监测进行运用。根据光谱分辨率不同，可分为多光谱遥感数据和高光谱遥感数据。多光谱遥感的出现早于高光谱遥感，最早用于水体水质监测，为了满足对水体光谱特征的精细化提取的要求，高光谱成像数据和非成像水质光谱数据应用于水质监测。如表1
如表1中所示，水质监测主要的数据来源可分为多光谱数据、高光谱成像数据以及非成像光谱数据。由于数据比较容易获取，TM/ETM+多光谱影像在国内外水体水质定量遥感反演中得到了较为广泛的应用。虽然TM/ETM+影像用于水质遥感取得了一些成果，但是其波段设置对于水质遥感并不合理，水质参数的光谱特征不能详尽地显示在此类影像上，这使得水质参数反演算法主要通过经验算法进行建模，模型仅能适用于特定时间和特定水域的监测。
近年来，高光谱水质遥感监测技术得到了较大的发展。其中，EO-1上搭载的世界上第一个星载民用高光谱成像仪Hyperion虽然不是专门为水质监测而设计的，但由于其较高的光谱分辨率和空间分辨率，拓宽并深化了水质遥感监测在海洋和内陆湖泊中的应用研究。然而，Hyperion数据价格昂贵，这限制了它在水质监测领域的应用。现阶段，国内外主要使用相对容易获取的MODIS、MERIS数据、SeaWiFS宽视场水色扫描仪数据以及HIS超光谱成像仪对水体水质参数进行研究。我国2011年成功发射的天宫一号携带的高光谱成像仪可提供高光谱全色数据、短波红外谱段数据、热红外谱段数据以及更高分辨率的其他观测数据。机载平台上成像光谱仪的应用也已较为成熟，现阶段应用比较广泛的有美国喷气推进实验室研制的AVIRIS系统，加拿大ITRES公司的CASI/SASI航空成像光谱测量系统，中国上海技术物理研究所研制的OMIS、PHI高光谱数据。成像光谱仪能够同时获取高光谱分辨率和高空间分辨率遥感影像，加拿大的CASI-1500传感器能够在380～1050nm范围内采集288个波段的影像信息，而在飞行高度为2.60km，飞行速度为110nmile/h情况下，地面分辨率可以达到1m。我国的OMIS相对于PHI有更宽泛的光谱范围，其中可见———近红外光谱区（0.46～1.1μm）有32个波段。此类影像用于水质遥感监测，能够获取空间尺度上更加精细的影像产品，潜力巨大。
2 典型水质因素光谱遥感反演监测模型
水质遥感监测方法自20世纪70年代提出以来，经历了从定性到定量的发展过程，随着传感器技术的进步以及对物质光谱特征的深入研究，水质遥感监测方法由最初的水域识别发展到对水体各组分浓度进行遥感监测、制图和预测。利用传感器获取水面光谱反射率，根据水质参数与水体光谱特征的关系，建立水质反演模型，提取水质指标。常用的提取水体叶绿素浓度、悬浮物浓度、透明度等水质指标的模型有：经验模型；半经验（半分析）模型；神经网络模型；物理机理（物理分析）模型。
在4种模型中，经验模型是最简单直接的反演方法，它通过不同波段遥感反射比与水质参数之间的函数关系，建立回归方程求得水质参数数值，虽然可以通过优化波段选择提高反演精度，但由于诸如实地测量数据与影像数据非同步等原因，水质参数与遥感数据之间的事实相关性得不到保证，使得该方法理论依据不严密，所得到的结果仅适用于研究区域，而很难进行推广。
半分析方法是根据水质指标的光谱特性，结合统计分析算法或其他数学模型，确定用于水环境参数反演的波谱范围、波段、波段组合等，从而建立遥感数据和水质参数间的定量经验算法。它考虑了水体生物光学特性，理论上具有较高的精度和较好的通用性，但是在实际应用中，效果不是很突出，这主要是由于实验条件的不足难以获取所有的先验知识，通常的做法就是直接引用前人的研究成果，然而水域、时节不同，有些参数会发生变化。这就造成半分析方法最终反演结果出现偏差，精度甚至低于经验算法。此后，为了提高反演精度，神经网络模型、主成分分析等方法被引入水质遥感监测。
与传统方法相比，神经网络模型的自学习性、自适应性、并行性、非线性全局作用和容错功能，使其在建立复杂的水质参数反演模型中表现出一定优势，已被用于海洋、湖泊等水体的水质遥感监测中。目前常用于水质反演的神经网络模型是BP神经网络模型。由于神经网络模型需要大量样本且不能保证全局误差为最小值，一些人对其进行了改进，但由于神经网络模型需大量样本数据，从而限制了其推广作用。
为了克服以上模型的局限性，物理机理模型应运而生，该模型也是水体遥感的研究热点。物理机理模型是以水体光学辐射传输模型为基础，根据水体及其组分的吸收系数和后向散射系数，建立水质浓度与反射光谱的相关模拟模型，反演组分含量。物理机理模型是基于已知水体组分的散射、吸收等参数，而这些参数需实地观测得出，且有些参数随水域不同而变化，且理论基础尚不成熟，简化模型假设使得预测值并不能满足精度的要求，所以往往只能用于特定的研究区域，可移植性差。
3 不同水体光谱遥感监测应用
3.1 Ⅰ类大洋水体应用情况
水体成分反演结果与水体水质的复杂性具有很大的关系。对于I类大洋水体，水体组成成分较为简单，光学特性容易测量，黄色物质、悬浮物质浓度较小，叶绿素含量对此类水体的光学特性起决定性因素。对于此类水体水质的遥感反演可以简化为单变量问题，传统的经验统计模型就能满足业务化需求。
3.2 Ⅱ类近海水体与内陆水体应用情况
Ⅱ类近海水体与内陆水体组成成分复杂多变，不同组分的光学特性共同影响水体光谱曲线，使得遥感反射比与水体各成分浓度之间呈复杂的非线性函数关系，这给固定水质参数的反演带来困难，传统的波段比值算法应用于此类水体反演误差较大。目前，通过化学分析、实地测量的方法，已经能够了解单个水质参数的光谱特征，但多个水质参数之间产生的耦合效应成为研究的难点。
结束语
综上所述，水资源与人们生活息息相关，快速有效地掌握水质是非常重要的。为了及时推进水质评价报告，应结合现有的无线传感器网络技术和物联网技术对水质进行实时预测和评价。
参考文献
[1] 毛玉婷 基于遥感技术的湖泊水质监测研究 [J].《科技传播》，2014（22）
[2] 吕航，马蔚纯，周立国，等.淀山湖微量水质参数卫星高光谱遥感估算[J].复旦学报：自然科学版，2013，52（2）：238-246.