基于無人機高光譜遙感的河湖水環境探測

臧傳凱，沈 芳,2，楊正東

(1.華東師范大學河口海岸學國家重點實驗室，上海 200062;2.上海市崇明生態研究院，上海 200062；3.上海市崇明區水文站，上海 200062)

0 引言

河湖水環境監測是人類一直以來高度重視的環境問題。相對于傳統監測手段，遙感技術具有快速、大面積同步觀測、周期性等特點，對于獲取長期、大范圍河湖水環境的時空變化具有顯著優勢[1]。國內外許多學者通過遙感反演水體中的水質參數實現對內陸河流、湖泊以及海岸帶等復雜水域的動態監測[2-3]。水體中物質組成及濃度變化往往會引起水體顏色的變化[4]，遙感技術可以通過感知水體的光譜特征計算水體顏色參量[5]。根據國際照明委員會(CIE)發布的CIE-XYZ顏色的量化標準[6]，Wernand 等發展了Envisat/MERIS、Aqua/MODIS、SeaWiFs和Sentinel-3/OLCI這4種海洋水色傳感器的色度坐標計算方法，建立了Forel-Ule(FUI)水色指數色度坐標查找表，實現了利用多光譜水色衛星數據量化水體顏色[5,7,8]。在此基礎上，Wang等利用Aqua/MODIS數據計算得到的FUI對太湖以及全球其他大型湖泊進行了水體分類和營養狀態評價[9-10]。Zhao等通過設定Hue angle閾值的方法對內陸復雜水體進行了分類[11]。也有學者通過加權調和平均的方法計算水體的表觀波長(apparent visible wavelength，AVW)來監測22 a來全球海洋水體的水色變化[12]。該方法適用于不同類型的多光譜和高光譜數據，并且證明了高光譜數據在水體顏色參量精確計算方面的優勢。

隨著高分辨率衛星遙感技術的發展，一些學者也利用了高分辨率的遙感數據開展了水環境監測[13-15]，然而衛星數據的空間分辨率仍難滿足監測內陸狹長河道的需求。無人機遙感平臺搭載高光譜傳感器可以獲得高空間、高時間、高光譜分辨率的遙感數據，利用該數據可實現狹長河道的長時間精準觀測，對于水環境的持續性遙感監測以及緊急重點排查具有重要意義。本研究基于實測和無人機高光譜遙感反射率數據計算水體顏色參量并反演水質參數，利用Hue angle對水體進行分類，通過水體顏色參量和水質參數反演結果，分析上海市崇明島河湖小水體的水體顏色變化，進而識別河湖水環境中的疑似污染水體。

1 研究區概況及數據源

1.1 研究區概況

本研究選取上海市崇明島、青浦區大蓮湖作為無人機高光譜水環境監測的主要研究區域。崇明島有2條市級河道(南橫引河、北橫引河)貫通南北形成環島運河，總長180 km。28條縣級河道，總長357.4 km[16]。作為中國第一大生態島，島內河道水體的水環境狀況直接影響崇明島的可持續發展和島內人民的生活質量。大蓮湖位于青浦區西部，北部為淀山湖，南部聯通黃浦江，是上海市黃浦江上游重要的水源保護區[17]。

(a)研究區域分布 (b)大蓮湖采樣點及無人機飛行區域

1.2 實測數據

2019—2020年間筆者進行了8次野外數據采集工作(2019年4月、5月、9月上旬、9月下旬、11月；2020年1月、5月、6月)，采集了110個河湖采樣點的實測光譜數據和水樣數據，剔除異常數據后得到有效數據94組。上海市青浦區大蓮湖有8個采樣點，崇明區河道有86個采樣點，其中無人機高光譜數據覆蓋采樣點(包含同步測量和一小時間隔內測量)35個。使用ASD-FieldSpec HandHeld 2地物光譜儀根據水面以上測量方法[18]，測量并計算得到采樣點水體的遙感反射率數據。使用HACH 2100Q便攜式濁度計現場測量濁度。根據《地表水和污水監測技術規范》[19]采集和保存水樣，帶回實驗室采用分光光度法測量葉綠素a濃度(Chl-a)[20]、有色溶解有機物吸收系數(CDOM)[21]、總氮(TN)[22]和總磷(TP)[23]，對于內陸水體選擇440 nm處的吸收系數ag(440)作為CDOM的代表。采用稱重法[24]測量水體總懸浮物濃度(TSM)，實測采樣點各類水質參數濃度分布如表1所示。

表1 采樣點水質參數濃度分布Tab.1 Concentration distribution of water quality parameters at sampling points

1.3 無人機高光譜數據

本研究的無人機平臺為多旋翼無人機KWT-X6L，搭載了Micro Hyperspec VNIR A-Series高光譜成像儀(HeadWall Photonics Inc.)，其光譜范圍為400～1 000 nm，具有325個光譜通道，光譜分辨率1.8 nm。于2019年5月、9月、11月以及2020年5月在崇明島河道進行了無人機飛行，共獲取了11條崇明區重點關注河道的無人機高光譜數據。根據高光譜影像質量選擇400～800 nm范圍的218個光譜波段。無人機按照預先設置好的航線飛行，飛行高度100 m，地面幅寬92 m，空間分辨率0.09 m，飛行前根據光照強度設置高光譜傳感器的積分時間，飛行速度根據積分時間換算得到，探測器參數設置好以后利用鏡頭蓋遮光測量一段暗電流數據。無人機飛行時間均在9:00—11:00和13:00—15:00之間進行。

2 高光譜數據處理

2.1 遙感反射率測定

Micro Hyperspec VNIR A-Series高光譜成像儀已在實驗室經過輻射定標，即可將高光譜探測器采集的數字信號轉換為輻亮度數據LUAV(λ)，并通過設備自帶數據處理軟件去除高光譜數據的暗電流噪聲。為獲得目標水體的遙感反射率，本研究基于反射率基法[25-26]發展了一種無人機高光譜遙感反射率測定方法。該方法在無人機飛行河湖區域鋪設面積1m2的標準反射率為20%～30%的漫反射參考板，無人機經過該區域時使用地物光譜儀同步多次測量參考板的反射率Rref(λ)和下行輻亮度Lref(λ)，獲得太陽總輻照度，公式為：

Ed(λ)=π·Lref(λ)/Rref(λ)。

(1)

(2)

式中：輻亮度單位為Wm-2nm-1sr-1；遙感反射率單位為sr-1；λ為光譜波長，nm。

通過均方根誤差(RMSE)、平均無偏絕對百分比誤差(ε)及皮爾森相關系數(R)[27]評估遙感反射率精度，公式分別為：

(3)

(4)

(5)

式中：u為無人機計算得到的遙感反射率；f為實測遙感反射率；n為驗證點的個數。

2.2 數據幾何校正及降噪處理

無人機飛行及高光譜成像數據采集過程中，同步獲得了影像的地理位置、姿態信息，通過數據處理軟件進行了高精度幾何校正。采用城市地表水高光譜抗陰影水體指數方法[29]提取河湖水體。

盡管高光譜影像光譜分辨率很高，但其信噪比較低，實際應用時通常對數據運用降維等方法最大限度的保留信號和壓制噪聲[30]。本文采用了快速傅里葉變換(fast fourier transform,FFT)[31]去除高光譜影像的條帶噪聲，通過計算高光譜影像每列(條帶噪聲縱向分布)的條帶度量值(Si)評估條帶噪聲去除的效果[32]。采用對噪聲敏感的最小噪聲分離法(minimum noise fraction,MNF)實現光譜維噪聲的去除[33]，利用局部均值和局部標準差法[34]計算高光譜影像的信噪比和噪聲標準差，檢驗高光譜影像的降噪效果。

(a)條帶噪聲去除 (b)光譜維噪聲去除

圖2(a)顯示，利用FFT去除條帶后，整體Si有了明顯降低，低于條帶充分去除標準Si=0.005[32]，證明該方法可以有效去除高光譜數據的條帶噪聲。圖2(b)顯示，MNF方法在光譜維上有效剔除了大量噪聲，得到了相對平滑的光譜曲線。圖2(c)，(d)顯示，MNF去除噪聲后信噪比、噪聲標準差有大幅度改善，信噪比均值提升128%，噪聲標準差也顯著降低，平均值3.42×10-4(圖2(d))；FFT去除條帶噪聲后，信噪比、噪聲標準差未顯著改善。

3 研究方法

3.1 水體顏色參量計算

根據國際照明委員會(CIE)制定的CIE-XYZ顏色標準系統以及定量的描述顏色方法[6]，基于本研究采集的無人機高光譜數據，計算河湖水體的Hue angle。在通過顏色匹配函數計算顏色刺激值過程中[6]，由于CIE規定的顏色匹配函數的波長位置與本研究的高光譜數據不完全對應，我們利用線性擬合的方法計算了對應高光譜數據波長位置的顏色匹配函數，進一步基于顏色刺激值計算獲得水體Hue angle(0°～360°)[11]。

CIE-XYZ顏色系統根據人眼的波長識別范圍(380～780 nm)計算Hue angle，忽略了反映生物化學變化極其重要的紫外和近紅外波段，而一些常見的內陸水體類型(高濁度、高CDOM以及藻類爆發水域)在藍紫光、近紅外波段的光譜特征非常重要。因此，除了采用Hue angle量化顏色，還采用給定光譜的主導波長來表示[12]。AVW因為包含了紫外和近紅外波段，對于顏色更藍或更紅的極端水域，相對Hue angle具有更高的變化范圍。故為了充分利用所獲得的高光譜信息來準確量化內陸水體水色，本研究從水色主導波長的角度利用無人機高光譜全波段數據(400～800 nm)計算AVW，計算公式為：

(6)

式中：Rrs為水體遙感反射率，sr-1；λ為光譜波長，nm；n為高光譜波段數。

3.2 水體色相分類

實地調查發現，采樣區域水環境惡化主要表現為大量浮萍漂浮的綠色水體和污染源附近的黃棕色污染水體。根據Hue angle定量化水體顏色變化這一特點，參考設定Hue angle閾值對內陸河湖水體的分類方法[11]。從實測數據中選出19條不同類型水體(5條浮萍漂浮的綠色水體、7條一般水體和7條污染源附近黃棕色水體)的高光譜反射率曲線計算Hue angle。浮萍漂浮的水體呈綠色，具有植物光譜特征。污染源附近黃棕色水體主要組分為非色素顆粒物或有色溶解有機物，有色溶解有機物中含有的腐殖酸和富里酸隨著濃度的升高會使水體呈現黃褐色。根據所選不同水體的Hue angle值將水體分為綠色異常水體(Hueangle≤218°)、一般水體(218°≤Hueangle≤225°)、黃棕色異常水體共3類(Hueangle≥225°)(圖3)。

(a)不同顏色水體Hueangle (b)綠色異常水體光譜

3.3 水質參數高光譜遙感反演

通過對同步實測的遙感反射率與水質參數(Chl-a，TSM，CDOM，濁度，TN，TP)進行統計分析，將不同水質參數選擇相關性最高的波段或波段組合作為自變量，通過指數、冪函數、線性、多項式、偏最小二乘回歸等方法構建反演模型(表2)，通過R2和RMSE對模型的反演效果進行評估。

表2 水質參數反演模型Tab.2 Inversion model for water quality parameters

參考綜合營養指數(TLI)計算方法[35]，基于Chl-a、TN、TP濃度估算河湖水體的TLI指數。通過水體的TLI指數，將水體營養狀態分為貧營養(TLI<30)、中營養(30≤TLI≤50)、輕度富營養(50

4 結果與討論

4.1 無人機-實測遙感反射率驗證

通過公式(3)—(5)利用同步定標點和一小時間隔內定標點的遙感反射率數據對無人機遙感反射率測定精度進行評價，選擇450 nm，549 nm，649 nm和749 nm這4個波段的不同定標點對比結果進行展示(圖4)。遙感反射率整體測定誤差表明：無人機高光譜計算的遙感反射率，各波段ε在7.7%～27.9%之間(平均值13.34%)，RMSE為0.0034 sr-1～0.0062 sr-1之間(平均值0.0046 sr-1)，R在0.63～0.93之間(平均值0.83)，整體誤差較低。由于該定標方法沒有準確去除光照強度變化對遙感反射率計算的影響，因此一小時間隔內定標點的測定精度略低于同步定標精度(圖4)?？紤]到大多數無人機由于載重局限，僅搭載一個向下探測的傳感器，在光照條件較為穩定均勻的情況下，利用該測定方法獲得的遙感反射率精度較高，可以推廣應用。

圖4 無人機-實測Rrs對比驗證Fig.4 UAV and in situ measured Rrs comparison verification

4.2 水體顏色參量與水質參數反演效果評估

根據Hue angle[8]和AVW計算方法(式(6))，反演無人機覆蓋35個采樣點的現場觀測高光譜水體顏色參量，與無人機高光譜反演結果對比(圖5(a))：無人機高光譜反演的水體顏色參量基本與原位觀測高光譜反演值一致(Hue angle：R2=0.97，RMSE=0.86°；AVW：R2=0.93，RMSE=2.01 nm)。相對于多光譜數據反演的水體顏色參量需要通過實測高光譜校正[8]，無人機高光譜數據反演的水體顏色參量更加準確且避免了校正帶來的誤差。根據相關分析構建的各類水質參數反演模型(圖5(b))，從與實測數據的對比結果來看具有較高的反演精度(Chl-a：R2=0.83，RMSE=20.61 mg/m3；TSM：R2=0.82，RMSE=16.16 mg/L；CDOM：R2=0.79，RMSE=0.22 m-1；濁度：R2=0.74，RMSE=15.06 NTU；TN：R2=0.69，RMSE=0.25 mg/L；TP：R2=0.82，RMSE=0.13 mg/L)。

(a)水體顏色參量驗證 (b)水質參數驗證

4.3 河段水體色相分類

利用25條綠色異常水體、33條一般水體和17條黃棕色異常水體的原位觀測高光譜數據對Hue angle水體分類方法進行驗證，驗證精度分別為68%，91%和82%，證明該方法具有較高的分類精度。

根據Hue angle閾值對2019—2020年崇明島重點河湖水體進行分類。圖6(a)顯示，2019年11月份的南橫引河河段整體都為黃棕色異常水體，結合實際采樣調查分析，南橫引河作為崇明島重要的航運河道，船只航行直接造成水體濁度增高，且該河段臨近崇明島外圍港口，長期?？吭诤拥纼蓚鹊拇划a生的生活污水也會對水體顏色造成影響。同一時間段的七效港河(圖6(b))大部分為一般水體，城鎮居民生活區一側的河道有明顯的黃棕色異常。2020年5月份崇明島的河湖水體顏色相對2019年11月份有明顯變化，七效港河的黃棕色異常水體面積有明顯的減小(圖6(d))。南橫引河整體的黃棕色異?，F象消失轉為一般水體，但臨近夏季豐水期，開始出現綠色異常水體(圖6(c))。

通過分析2019年11月和2020年5月崇明島重點河段Hue angle分類結果，發現崇明島河湖在枯水期有較多的黃棕色異常水色現象。產生該現象的原因可能與崇明“閘控型”水系有關，在非引排期且雨水量不太充沛的時候，河流之間近乎封閉，導致水動力嚴重不足，再加上企業、居民生活廢水的排放，使得河湖水體顏色出現明顯異常。另外南橫引河作為主要航運河道，在11月和5月的水體顏色變化明顯，懷疑該河道受人為因素影響較為嚴重，需加強監管和治理。

(a)2019年11月南橫引河 (b)2019年11月七滧港 (d)2020年5月七滧港 (c)2020年5月南橫引河

4.4 多參數水環境分析

圖7為上海市崇明島重點觀察河道疑似污染水體識別。圖7(a)—(i)顯示了崇明島北港東岸轉河，水體顏色參量和水質參數基于無人機高光譜數據定量反演的結果，圖7(j)顯示北港東岸轉河左右兩側為黃棕色異常水體。各類水質參數濃度都較高，其中圖7(d)—(e)顯示TN，TP濃度達到Ⅳ類水體的標準[36](1≤TN≤1.5 mg/L，0.2≤TP≤0.3 mg/L)。TLI指數(圖7(i))表明該區域的黃棕色異常水體為輕度富營養化水體。河道中間的綠色異常水體TLI指數也顯示為輕度富營養化，部分水質參數(Chl-a，TSM，CDOM，TP)顯示高濃度特點(圖7(a)—(c)，7(e))，但該區域的濁度、TN(圖7(h)，7(e))相對黃棕色異常水體較低，分析原因在于該異常區域水流相對緩慢，泥沙等非色素顆粒物沉淀，水體透光性較好，濁度較低，浮游植物光合作用增強，再加上附近多處溝渠和隱蔽排污口不定期排放高營養鹽(TP主導)污染物導致出現藻華現象。而河道兩側的異常水域現場調查時正在排放污水，排污過程導致水體濁度升高，水中非色素顆粒物增多，水體呈黃棕色。

(a)Chl-a (b)TSM (c)CDOM

結果顯示Hue angle和AVW均能夠有效地對異常顏色水體進行甄別，此外，Hue angle分類可以有效地劃分不同的水體顏色類型，用于判別異常水體的空間位置和水色異常類型，從而豐富了水環境遙感探測信息。結合水質參數定量反演，也有助于對疑似污染水體進一步分析，對于突發性河湖水體污染的快速監測提供了一定輔助支持，同時為現場觀測提供了有效信息。

5 結論

本研究發展了一種無人機高光譜遙感反射率標定方法，通過該方法計算的高光譜遙感反射率各波段平均ε為13.34%，RMSE平均為0.004 6sr-1，R平均為0.83?？梢栽诠庹辗€定的情況下計算較為準確的水體遙感反射率。后續仍需研究如何去除光照變化計算遙感反射率。

通過FFT和MNF方法對高光譜數據的條帶噪聲和光譜維噪聲進行了去除，高光譜整體信噪比提升了128%，有效提高了數據質量。

利用高光譜數據反演水體Hue angle，AVW和水質參數，有效利用了高光譜數據豐富的光譜信息。根據Hue angle能夠區分不同顏色水體的特點，通過設定Hue angle閾值的方法對水體進行分類，應用該分類方法對上海市崇明島河湖水體顏色的時空變化進行分析。同時利用水體顏色參量以及水質參數反演結果對上海市崇明島的重點觀察河段進行疑似污染水體的識別。以上結果表明高光譜數據在水體顏色和水質參數反演應用方面的潛力，結合無人機高時效性、高空間覆蓋度的特點，對于輔助河湖水環境監測提供了強有力的支持。