基于遥感卫星用于水体水质监测研究

Research on Water Quality Monitoring Based on Remote Sensing Satellites

摘要: 针对网箱养殖造成水体水质污染的问题，缺乏相应的进展研究。本文采用高分一号卫星数据。以某地区近年来成倍增长的网箱养殖区，利用实测的水质参数数据，构建了适用于该区域的总悬浮物浓度估算模型，通过总悬浮物浓度评价水体水质状况。通过对模型精度进行评价表明，该模型平均相对误差为9.65%，均方根误差为0.33 mg/L。利用此模型对网箱养殖区2015年~2021年总悬浮物浓度进行了反演，分析了不同网箱体位置的总悬浮物浓度时空变化规律。研究发现，不同网箱体位置的悬浮物浓度变化趋势基本一致，网箱水体总悬浮物浓度未因养殖局部“圈定”现象出现较大异常。

Abstract: There is a lack of corresponding research progress on the problem of water quality pollution caused by cage aquaculture. This article uses data from Gaofen-1 satellite. A total suspended solids (TSS) concentration estimation model was constructed for a net cage aquaculture area that has grown exponentially in a certain region in recent years, using measured water quality parameter data. The water quality status was evaluated by TSS concentration. The evaluation of the model accuracy shows that the average relative error of the model is 9.65%, and the root mean square error is 0.33 mg/L. This model was used to invert the total suspended solids concentration in cage aquaculture areas from 2015 to 2021, and the spatiotemporal variation patterns of total suspended solids concentration at different positions of the cage were analyzed. Research has found that the trend of suspended solids concentration changes in different positions of the net cage is basically consistent, and the total suspended solids concentration in the net cage is not significantly abnormal due to the phenomenon of local “delineation” in aquaculture.

1. 引言

总悬浮物浓度(Total Suspended Matter, TSM)是水质健康状况评价的重要指标，它通过改变水体透明度等光学特性，对水生生物和水体初级生产力产生影响[1]，甚至对整个水生态系统平衡产生一定的影响[2]。河流中的悬浮物来源主要分为内源和外源两种，外源主要是地表径流裹挟着地表的陆源性污染物，内源则多是河流中的浮游生物以及其死亡后分解的遗体残骸和水生植物腐烂后的残体等[3]-[5]。总悬浮物与水体透明度、浊度等水质参数相互作用影响水体生态环境健康。按照传统水质参数监测方法，需要通过人工进行现场取样，并及时送至实验室分析，耗时长、成本高、专业性强，遥感技术的快速、高效、低成本成为水质监测应用的常用技术手段之一。

高分一号(GF-1)作为我国高空间分辨率对地观测系统重大专项中发射的首颗卫星，其高空间分辨率的优势为网箱养殖区这种“小目标”水体监测提供了可能。其载荷中的红光和近红外波段作为总悬浮物浓度反演的敏感波段，一直被用于水体总悬浮物浓度的反演。许多专家学者利用GF1卫星遥感数据结合实测水质参数，实现了对目标区的水质参数反演，且取得了较好的应用效果。但由于地面实测数据缺少，卫星影像分辨率较低等影响，对于网箱养殖区总悬浮物浓度的监测并未开展。因此，本文以某地区网箱集中养殖区为研究对象，利用国产GF-1 WFV卫星数据，与实测水体光谱和水质参数相结合，构建针对网箱养殖区水体的悬浮物浓度反演模型，并对养殖网增长和悬浮物浓度变化的内在关系和其时空分布规律进行分析，为GF-1 WFV数据在河流网箱养殖区水质参数反演中的应用提供一定的参考。

2. 数据与研究区

2.1. 数据来源

2.1.1. 实测光谱数据

本研究于2015年4月8日完成对试验区的野外综合实验。野外实测时天气晴朗，水面平静，使用美国ASD的FiledSpec3便携式地物光谱仪按水面以上测量方法采集样点的水面光谱数据。为了能够最大限度降低水体光学耀斑和船体阴影对测量成果的影响，在光谱测量时，方位选择135˚，天顶角为40˚。每个采样点首先采集标准白板数据，然后依次是水体、天空光，最后再对标准白板进行采集，其中水体光谱采集15条，标准白板和天空光采集10条。在计算遥感反射率时，需要对野外观测的光谱数据进行异常值剔除，对各观测对象的剩余若干条光谱求其平均值作为其光谱观测值。具体计算遥感反射率的公式如(1)所示。

$R_{rs}\left(\lambda \right)=\frac{L_t\left(\lambda \right)-r_{sky}\ast L_{sky}\left(\lambda \right)}{L_p\left(\lambda \right)\ast \pi \ast {\rho }_p}$ (1)

其中$L_t\left(\lambda \right)$ 为水体光谱辐射，$r_{sky}$ 为天空光反射率，它是遥感反射率计算过程中较难确定的一个量，由太阳位置、观测几何、风速风向等因素共同影响。本文利用Fresnel公式计算得到$r_{sky}=0.0245。L_{sky}\left(\lambda \right)$ 为天空光辐射，$L_p\left(\lambda \right)$ 为参考板光谱，${\rho }_p$ 为标准白板的反射率，一般由实验室标定得到，$R_{rs}\left(\lambda \right)$ 为最终的遥感反射率。

2.1.2. 水质参数数据

在采集水体光谱的同时，采集其表层水样进行实验室水质参数的分析。水样运送回实验室的过程中需低温冷藏处理。实验室内悬浮物浓度的测量主要采用滤膜法。其中总悬浮物浓度采用1.2 μm的玻璃纤维滤波经过过滤、烘干、称重等过程得到。无机悬浮物浓度需要将过滤器在550℃继续燃烧4个小时以除去其有机部分得到。

Table 1. Statistical table of water quality parameters at sampling points, Total Suspended Matter concentration (TSM, mg/L), Chlorophyll a concentration (Chla, µg/L), Inorganic Suspended Matter concentration (ISM, mg/L), and Organic Suspended Matter concentration (OSM, mg/L)

表1. 采样点水质参数统计表，总悬浮物浓度(TSM, mg/L)，叶绿素a浓度(Chla, µg/L)，无机悬浮物浓度(ISM, mg/L)和有机悬浮物浓度(OSM, mg/L)

样本	参数	最大值	最小值	平均值	标准差
(N = 18)	Chla (µg/L)	3.26	0.12	0.80	0.63
	TSM (mg/L)	33.67	0.67	7.38	8.89
	ISM (mg/L)	30.67	0.29	5.94	8.37
	OSM (mg/L)	4.00	0.33	1.44	0.89

通过表1可以看出，采样点样本的水质参数具一定的动态性和可变性。采样期间总悬浮物浓度的平均值为8.89 mg/L，最大值为33.67 mg/L，最小值为0.67 mg/L，无机悬浮物浓度的范围为0.29至30.67 mg/L，平均值为5.94 mg/L。此外，有机悬浮物浓度的范围为0.33至4.00 mg/L，平均值为1.44 mg/L。此外，叶绿素a在0.12至3.26 µg/L之间，平均值为0.80 µg/L (S.D. = 0.63µg/L)。样本数据被随机分为两组，其中一组用于样本训练算法，另一组用于评估模型的准确性。

2.1.3. 卫星数据

本文采用2015年4月8日过境的GF-1WFV1卫星影像用于网箱养殖区总悬浮物浓度遥感建模，卫星使用情况如表2所示。卫星数据下载自中国资源卫星应用中心官网(https://www.cresda.com/zgzywxyyzx/)。GF-1卫星数据幅宽820 km，空间分辨率为16 m，重放周期4天，共有红、绿、蓝、近红外4个波段。本文下载了研究区域2015年~2021年的云量较少(云量 ≤ 30%)且图像质量较好的卫星数据共49景，用于研究该区域总悬浮物浓度变化规律。

Table 2. GF-1 WFV satellite usage

表2. GF-1 WFV卫星使用情况

序号	年份	卫星数量/景	月份
1	2015	9	1、2、3、4、5、10
2	2016	8	1、2、3、8、11、12
3	2017	7	1、3、4、6、11、12
4	2018	7	2、3、4、11、12

续表

5	2019	6	1、3、4、5、11
6	2020	5	2、3、7、11、12
7	2021	7	1、2、3、8、11、12
总计	49

为了研究养殖区分布，本文自欧空局官网下载2015年~2021年覆盖研究区域的图像成像质量较好的Sentinel-2高分辨率卫星数据对养殖渔网进行遥感解译，用于后续研究养殖区总悬浮物浓度的空间分布。具体卫星影像使用情况见下表3所示。

Table 3. Sentinel-2 satellite data usage

表3. Sentinel-2卫星数据使用情况

序号	影像类型	影像级别	日期
2	Sentinel-2B	L2A	2020-03-30
3	Sentinel-2B	L2A	2019-01-25
4	Sentinel-2B	L2A	2018-12-26
5	Sentinel-2A	L1C	2017-01-20
6	Sentinel-2A	L1C	2015-11-17

3. 研究方法

3.1. 遥感影像预处理

GF-1 WFV高分辨率遥感影像数据的处理分为辐射校正、大气校正、几何校正等过程。本文所有影像的预处理工作均在ENVI5.3软件中操作。辐射校正所需的定标参数和光谱响应函数以最新官方发布的定标参数为准。几何校正采用覆盖养殖区的Sentinel-2 L2A产品作为参考，采用UTM投影，椭球体采用WGS-84，并将均方根误差值控制在1个像元之内。大气校正采用邢晓达等采用的改进暗像元大气校正方法，首先在可见光波段中选择相对永久性的“暗目标”作为该波段的初始暗像元。为了消除各波段大气对反射率的影响，利用相对散射模型对其他各波段进行暗像元的校正。

Sentinel-2数据处理主要包括辐射定标、大气校正、重采样等方面工作，其中L2A级别产品只涉及重采样工作。Sentinel2数据预处理主要在SNAP软件中进行。

3.2. 网箱养殖区遥感解译

养殖区以网箱养殖为主，网箱体主要由塑料、钢架等组成，在影像中呈规则的亮白色分布，养殖区主要是各种经济鱼类为主。本文采用目视解译的方法对养殖区的网箱养殖位置、面积等进行统计分析。由于Sentinel-2影像空间分辨率限制，本文只解译网箱面积大于200 m²的养殖区域。

3.3. 反演模型构建与评价

根据朱利等的研究表明，GF-1 WFV影像与HJ1-CCD影像在波段设置上具有显著的一致性，其各波段相关系数均在99%以上，可以利用通用的估算模型进行水质参数的计算。本文参考Shen等对总悬浮物特征光谱分析结果，采用GF-1 WFV红光波段构建养殖区总悬浮物浓度反演模型。通过构建统计回归模型，对比分析不同回归模型拟合效果，通过对不同模型中显著关系R2的大小，确定该区域适用的总悬浮物浓度估算模型，用于研究区域的悬浮物浓度时空规律研究。对反演模型精度的评定主要是用剩余的样本数据进行实测值和预测值之间的对比分析进行。

本文采用均方根误差(root mean square error, RMSE)以及平均相对误差(mean realative error, MRE)来评价模型的精度，其计算方法如下：

$MRE=\frac{1}{n}\times {\displaystyle \sum _{i=1}^n\frac{\left|N_i-M_i\right|}{M_i}}\times 100\%$ (2)

$RMSE=\sqrt{\frac{{\displaystyle \sum _{i=1}^n{\left(N_i-M_i\right)}^2}}{n}}$ (3)

式中，$N_i$ 为总悬浮物浓度的模型反演值；$M_i$ 为总悬浮物浓度的实测值；$n$ 为样本总数。

4. 结果与分析

4.1. 养殖区网箱解译结果分析

通过对2015年~2021年Sentinel-2数据目视解译结果，2017年研究区网箱面积增长速度较快。由于大坝附近水面较宽，风浪较小，水流较慢，养殖网箱主要集中在大坝上游靠近大坝位置附近。

Table 4. Statistical table of the quantity and area of cage farming in the Manwan reservoir area

表4. 网箱养殖数量及面积统计表

	2015年	2017年	2018年	2019年	2020年	2021年
网箱数量/处	1	13	14	21	21	25
面积/m^2	2461.81	38248.02	40197.08	73060.47	74153.32	101388.69

根据遥感影像解译结果可以反映出网箱养殖区数量分布状态，从表4可以看出，数量上，网箱养殖从2015年开始，每年都呈现增长态势，至2021年增长至20余处，从面积上看，网箱数量增多同时，网箱面积也较大，呈每年增加趋势，至2021年增至100000余平方米。

4.2. 总悬浮物浓度反演模型及精度

利用野外实测悬浮物数据中的2/3采样点(12个)用于建立悬浮物浓度反演模型，1/3采样点(6个)用于模型的精度评定。本文最终选择利用红光波段建立的模型具有较高的精度，其决定系数R²为0.95，利用剩余6个样本点进行反演模型精度的评定，为了进一步说明模型的适用性，做了实测值和反演值之间的关系图。其均方根误差为0.33 mg/L，平均相对误差为9.65%。反演结果和实测值基本均匀分布在1:1线附近，反演结果较为可靠。

4.3. 悬浮物浓度变化时空分析

利用上述建立的针对养殖区的总悬浮物浓度估算模型，对2015年~2021年共49景成像质量较好的GF-1 WFV卫星遥感数据进行总悬浮物浓度时间序列的反演。从总悬浮物浓度反演结果看，2015年~2021年7年间，总悬浮物浓度整体水平变化不大，2016年总悬浮物浓度反演结果最大，为8.19 mg/L，2017年~2018年整体均值有所降低，2017年总悬浮物浓度约为6.17 mg/L，2018年总悬浮物浓度为6.75 mg/L，总悬浮物浓度略有升高的趋势，反演结果与Shen等研究成果基本一致。2019年~2021年三年间，总悬浮物浓度均值分别为5.97 mg/L、5.58 mg/L和6.59 mg/L，总悬浮物浓度整体水平较为平稳。

4.4. 试验分析

本文通过构建GF-1 WFV卫星数据的网箱养殖区总悬浮物浓度模型，对研究区域总悬浮物浓度进行了时间序列分析，并对特定网箱位置和养殖区整体总悬浮物浓度进行了分析研究，但仍有许多问题亟待解决。

(1) 网箱养殖水质参数反演

根据已有研究，网箱养殖会造成水体的溶解氧含量下降、氮磷总量增加、水质污染等影响水域环境的问题，对水质参数监测方面，选择总氮、总磷、透明度等水质参数的反演可能更有助于研究养殖区网箱养殖区的水质变化规律，对于总悬浮物浓度由于其主要影响因素为降水、地表径流等，网箱养殖的局部“圈定”现象对其影响较小，后续将补充完善如水体颜色、透明度等其他水质参数遥感反演算法，增加对养殖区网箱养殖水质参数变化的整体认知。

(2) 多源遥感的网箱养殖区水质遥感估算

从本文的研究成果可以看出，基于GF-1 WFV的网箱养殖区总悬浮物浓度整体规律认知有一定的帮助，虽然其空间分辨率较高，但数据年度覆盖度较低，对于研究网箱养殖区水质变化规律也具有一定的局限性，因此，选择如Landsat8/9、Sentinel-2等多源高分辨率遥感数据的水质参数估算是网箱养殖水质变化规律认识亟待解决的问题。

5. 结论

文中基于高分一号卫星数据构建了适用于试验区的水体水质反演模型，并以水中总悬浮物浓度这一指标评价水质优劣程度。利用该模型针对试验区2015年~2021年养殖区的总悬浮物浓度进行了反演，初步分析了其年度变化规律。2015年~2021年，养殖区总悬浮物浓度呈现一定的稳定性，整体变化不大，其中2016年总悬浮物浓度均值较大，其他年份均在5~7 mg/L之间，其变化规律与已有研究成果基本一致，可以补充其他数据源进一步完善降雨季节的总悬浮物浓度变化。从网箱养殖区总悬浮物浓度变化规律看，其年度变化规律与养殖区总悬浮物浓度变化趋势基本一致。网箱养殖区总悬浮物浓度变化并未因为局部“圈定”现象而产生异常，主要原因是养殖区总悬浮物浓度的主导因素是降水、地表径流、水流流速等，网箱养殖区局部“圈定”对其影响较小。为研究网箱养殖区水质参数和富营养化变化规律，后续有待进一步补充数据源和水质参数类型，用于研究网箱养殖对水环境变化规律和影响。