董会娇

(河北唐山水文水资源勘测局，河北 唐山 063000)

获取水质监测的定量信息是水环境保护、水污染治理的基础工作。水质具有区域性、物候性、变率快等特点，实时测定的水体质量只在小区域、特定时段内有效，而大范围的水体化验分析必定费时费力，随着遥感(Remorse Sensing，RS)技术在资源环境监测中取得长足发展应用，使得大尺度、长周期、高时效的水质信息提取成为可能，并受到科研学者、环境部门的广泛推崇。水体中富含多种物质，叶绿素浓度是水体质量的重要指示性指标，其遥感监测机理是以实测叶绿素含量为依据，以相应时期内多源遥感数据为辅助，提取与叶绿素含量密切相关的特征波段参数，从而建立统计回归模型，并基于模型实现广域监测。关于水体叶绿素监测，学者们进行了不同时空尺度的研究。从全球尺度上，美国NASA基于MODIS数据绘制了全球海洋地区叶绿素分布图；Chauhan等利用IRS-P4的水色数据绘制了阿拉伯海叶绿素-a浓度分布特征；吴秋珍等[1]建立了叶绿素含量解析方程，绘制了秋季洪湖叶绿素分布图。邱庄水库是唐山市重要的生活取水源地，本研究以此为案例区详述了基于遥感水质监测过程，并直观呈现库区水体叶绿素含量，以期为水环境治理工程技术提供参考依据。

1 材料与方法

1.1 研究区概况

研究区邱庄水库地处唐山市丰润县还乡河上游，控制回流525km2，库容达2.04亿m3，作为唐山市重要的水源供应地之一。水库为20世纪50年代建造，兼具有蓄水引灌、涵养水土、观光休憩、娱乐休闲、净化水域、维持天然河道等多向生态、社会服务功能。本区属于温带大陆性气候，为我国湿润区向半湿润区过度的地带，夏季高温且降水集中，冬春季节寒冷时有降雪，冬夏分明且绵长，春秋温凉亦短促，年平均气温为12℃，多年均降水量670mm，蒸发量1380mm。区域煤炭、石油等传统化石能源使用较多，加之区域气候暖干化和封闭的地形影响，雾霾、沙尘等天气多发。库区附近植被以旱柳、杨树、芦苇等为主，多温带落叶阔叶林植被。在地下径流、地表汇流的作用下汇集营养盐类较多，水中浮游生物活跃。

1.2 研究数据源

遥感数据为中分辨率成像光谱仪MODIS数据，由美国航空航天局(NASA)的发射的terra和aqua两颗卫星提供(https://ladsweb. modaps. eosdis. nasa. gov/search/add. html)，具有辐射分辨率高、误差小、监测范围广、时效性高等特点。为了保持与地面数据的同步性，本文选取的是2017年9～10月每8d合成的反射率产品，空间分辨率为250m。

本实验与2017年9～10月对邱庄水库水体进行采样测试，样点覆盖整个湖区，分布均匀，共计样点46个(图1)。测试内容主要包括水体光谱、叶绿素含量以及其他环境参数。实验设备采用光美国分析光谱仪器公司的制造的ASD野外光谱辐射仪，其光谱覆盖范围介于0～2312nm，光谱分辨率3nm，能够反映更多的细微信息。叶绿素含量用分光光度法测定。

图1 研究区位置和样点分布

1.3 数据处理

基于研究区经纬度信息，在ENVI 5.3环境下对MODIS数据进行了几何校正、图像镶嵌和裁剪、图像增强处理，并运用MRT工具转换成Geographic Lai/Lon投影系统；然后通过湖区矢量边界图对MODIS数据进行裁剪，提取研究区影像数据。

水体叶绿素光谱测量时易遭受太阳辐射影响而产生噪声，遂在光谱处理过程中根据各样点处测得的光谱曲线集中情况，删除过高或过低的曲线特征；在每个样点取10条有效光谱，使用平均处理以便进行遥感反射率的计算，其参数选取参照唐军武等[9]研究结果。在Rstudio软件中应用偏最小二乘法(partial least squares，PLS)建立实测的水体叶绿素含量与光谱特征参数之间的关系，从而进行叶绿素反演建模；对于建模精度的评断，以决定系数法和均方根误差(root mean square error，RMSE)来度量。

2 结果与分析

2.1 邱庄水库叶绿素光谱特征

水体是多种杂质混合体，其光谱特征是由各种物质的光学特性综合表现的结果。如图2所示，在400～500nm范围内，水体反射率较低，主要是由于该波段为蓝紫光吸收波段，另外黄色物质在此区间也存在强烈吸收；在520～580nm那么范围内存在一个反射峰，峰值在550nm左右，这因为类叶绿素和胡萝卜素弱吸收，以及浮游植物体的细胞的散射作用导致的，因此550nm处可作为叶绿素含量的特征波动位置的选择。在700～960nm范围内，浮游植物体内叶绿素对对红光波动吸收强烈，反射峰776nm处十分明显，这对于检验叶绿素含量具有重要意义，其中约在815nm的反射峰是由于水面漂浮物引起的。

图2 水体叶绿素高光谱反射特性

2.2 水体叶绿素含量与光谱波段的相关性

如图3所示，水体在不同波段位置其光谱特性不一，因而其与叶绿素含量之间的响应关系在不同波段位置上存在差异。依图可知，在340～567nm范围内，波段值对水体叶绿素含量的响应区域减弱，其相关性由0.754减小至-0.477，相应地，由显著正相关演变为显著负相关，其中在524nm位置处，其相关性为0，在521～527nm，其相关性未达到显著性水平。在574～700nm之间存在一个明显的波峰，峰值位于670nm处，此刻其对叶绿素含量的响应最为明显，达到0.357显著相关性水平，而在674～670nm和670～700nm之间，其相关系数均较小。

图3 叶绿素含量与光谱特征的相关性

光谱指数反映了地物在不同波段的反射特性，通过构建特征光谱指数，能够将地物对光谱的敏感性最大化，并且将外部因素的影响控制在最小范围内。应用任意量波段间反射率非差值、比值、归一化值、单波段指数，对提取地物内在特征具有极大便利；根据以往经验结果，比值光谱指数数据噪声小、容忍度高，对水体叶绿素反演具有较高适应性。基于水体叶绿素光谱曲线，提取比值特征光谱指数后，在Matlab2016b的环境下绘制了光谱指数与叶绿素含量的相关性等势图(图4)。图中色调越暖，表明该波段位置处光谱指数与叶绿素含量呈正相关，且相关性越强，反之，色调越冷。

图4 光谱指数与叶绿素浓度的线性相关决定系数等势图

2.3 基于遥感的水体叶绿素监测模型

通过前述分析可知，水体叶绿素含量在不同波段位置其响应关系不同。经筛选分析，叶绿素含量与比值光谱指数在λ550、λ670和λ774位置处的相关性最高，遂以此作为辅助变量进行建模训练。参照中国科学院地理研究所王卷乐教授等应用的自定义方法。该模型理念主要是以将MODIS地标反射率数据进行最佳波段组合后，定义叶绿素含量实测高光谱数据的敏感区间，然后这个区间所在的MODIS通道的反射率与叶绿素进行回归预测分析，从而完成区域水体叶绿素含量反演模型。据此，以30个样点数据进行建模，另16组数据进行独立验证，在Simca-P11.5软件平台的支持下，进行偏最小二乘回归分析，运行得到模型见表1。

表1 邱庄水库叶绿素监测模型

由表1可知，该模型中常数为12.484，550nm波段的系数为-4.24，670nm处的系数为0.585，774nm波段特征指数的系数为-7.502，统计显示均达到显著性，表明该模型精度高。利用独立验证的16个点进行验证，结果表明模型的R2为0.518，RMSE为1.532，达到极显著水平(P<0.01)，由此可见该模型具有较高的可信度。

2.4 邱庄水库水体叶绿素分布特征

应用前述水体叶绿素浓度监测模型，将MODIS光谱通道数据作为辅助，在ArcGIS 10.5软件中对邱庄水库叶绿素含量进行空间分布预测性制图，结果如图5所示。由图5可知，邱庄水库水体叶绿素含量介于0.48～5.64mg/L之间，高值区主要集中于湖区下游东北部，主要由于该区地势相对较低，水流速缓慢、交换性差，富营养物质累积，浮游生物生长较多，因而叶绿素含量高。而湖区中部为邱庄水库改造工程的核心区，受亲水改造工程影响显著。

图5 邱庄水库水体叶绿素空间格局

3 结语

水体叶绿素含量是水体质量的指示器，在现代遥感技术支持下，通过星地多源数据进行水体叶绿素含量的反演，成为水环境监测的重要手段之一。该方案其基于水体反射特性的严格物理特征，实现对目标水域水质的间接推算，从技术上方便简易，从监测效果上可达到全局性，更易于揭示水质污染的来源、扩散动态、波及范围、影响周期，从而为科学、有效的水体治理提供量化的资料数据；另外，遥感数据的多重时间尺度、空间尺度特征，为监测水域污染的动态规律、节律提供了可行方案，尤其在宏观监测方面展现出较大优势。从这一方面来讲，应用遥感及其相关技术非水体叶绿素实时监测，体现了水环境监测技术的进步。

[1] 潘应阳, 国巧真, 孙金华. 水体叶绿素a浓度遥感反演方法研究进展[J]. 测绘科学, 2017(01): 43- 48.

[2] 叶慧琳. 渤海湾叶绿素a浓度的遥感反演模型及其应用研究[D]. 中国地质大学(北京), 2015.

[3] Subramaniam A, Kratzer S, Carpenter E J, et al. REMOTE SENSING AND OPTICAL IN-WATER MEASUREMENTS OF A CYANOBACTERIA BLOOM IN THE BALTIC SEA[C] . International Conference on Remote Sensing for Marine and Coastal Environments. 2000.

[4] P. A. Brivio, C. Giardino, E. Zilioli. Determination of chlorophyll concentration changes in Lake Garda using an image-based radiative transfer code for Landsat TM images[J]. International Journal of Remote Sensing, 2001, 22(2- 3): 487- 502.

[5] Kyte, Elizabeth A. Remote sensing of chlorophyll concentrations in a turbid shelf sea[D]. University of Wales, 2008.

[6] Gregg W W, Casey N W. Global and regional evaluation of the SeaWiFS chlorophyll data set[J]. Remote Sensing of Environment, 2004, 93(04): 463- 479.

[7] P. Chauhan, M. Mohan, R. K. Sarngi, et al. Surface chlorophyll a estimation in the Arabian Sea using IRS-P4 Ocean Colour Monitor(OCM)satellite data[J]. International Journal of Remote Sensing, 2002, 23(08): 1663- 1676.

[8] 吴秋珍, 熊勤学, 刘章勇, 等. 运用MODIS数据反演洪湖叶绿素a含量业务可行性分析[J]. 长江流域资源与环境, 2012, 21(10): 1243- 1247.

[9] 唐军武, 田国良. 水色光谱分析与多成分反演算法[J]. 遥感学报, 1997, 1(04): 252- 256.

[10] 王卷乐. 鄱阳湖地区环境变化遥感监测与环境管理[M]. 北京: 科学出版社, 2015.