张 兵，李俊生，申 茜，吴艳红，张方方，王胜蕾

中国科学院遥感与数字地球研究所，数字地球重点实验室，北京 100094

随着中国经济社会的高速发展，一些地表水体(湖泊、水库和河流)受到了严重的污染，全国的水环境污染形势十分严峻。《2017中国生态环境状况公报》显示：1 617个流域水质断面中28.2%为Ⅳ到劣Ⅴ类污染水体；112个重要湖库中37.4%为Ⅳ到劣Ⅴ类污染水体；109个监测湖库中30.3%为富营养化水体[1]。

国家高度重视水环境保护和污染治理工作，并制定了相关政策和法规。2015年4月16日，国务院发布了《水污染防治行动计划》，制定了水环境污染治理的时间表。2018年6月16日，中共中央、国务院发布了《关于全面加强生态环境保护 坚决打好污染防治攻坚战的意见》，进一步明确指出要“着力打好碧水保卫战”。

污染治理，监测先行。常规水质监测方法主要是现场采集水样，再送到实验室测量各种水质参数。常规采样监测方法的优点是能够测量的水质参数种类比较多，而且测量精度相对较高；缺点是只能测量有限点位的数据，而且采样时间间隔也比较长，测量所需人力和物力投入较大，耗时较长，不适宜开展大范围快速监测。

近年来，在线水质监测站发展比较快，优点是可以较短的时间间隔测量水质参数数据；缺点是硬件投入较大，需要经常维护，而且点位分布有限，同样不适宜开展大范围监测，不易捕捉污染物的空间分布特征。

与常规采样监测和在线监测不同，卫星遥感可以低成本、快速、大范围监测地表水体水质，便于发现污染物的时空分布特征和迁移规律，是地表水体水质监测的重要补充。随着国内外遥感卫星技术的不断发展，基于卫星遥感的水质监测发挥了越来越大的作用。

根据使用的电磁波的波长不同，卫星遥感主要分为光学遥感、红外遥感、微波遥感。其中，红外和微波遥感不能穿透水体，只能测量水体表面的信息；光学遥感可以穿透水体，与水中的物质相互作用，再反射回水面以上，经大气衰减后被遥感器接收。因此，光学遥感能够监测水中的水质参数信息，作为地表水环境监测中作用最大的遥感数据源发挥着不可缺少的作用。

面对地表水环境遥感监测的关键技术难题，中国科学院遥感与数字地球研究所的高光谱遥感团队通过技术攻关，在最近几年取得了一些新成果，主要包括地表水体水文要素自动化监测、典型湖库水质参数高精度监测、大范围湖库水质监测、地表水环境遥感监测系统等，笔者将分别介绍其主要研究进展。

1 地表水体水文要素遥感监测

1.1 水体分布遥感自动提取

水体分布提取是地表水环境遥感监测的首要工作，为后续提取水体污染信息提供必须的水体边界。根据水体在近红外和短波红外波段反射率较低的特点[2]，通常利用近红外或短波红外波段构建水体特征光谱指数，包括归一化植被指数(NDVI)、归一化水体指数(NDWI)、改进的归一化水体指数(MNDWI)、自动化水体指数(AWEI)等，进行阈值分割提取水体[3]。这些基于阈值分割的方法往往需要人工确定最佳分割阈值，由于光照条件、大气条件、观测角度、下垫面性质等存在差异，不同数据的最佳阈值变化较大，为每一景图像或者每一个水体自动确定合适的阈值十分困难[4]。有一些计算机图像及图形学分类算法实现了自动化水体分布提取，但也存在算法复杂性较高、提取效果不稳定等问题，给大范围使用带来较大困难。

基于以上问题，研究发展了基于水体光谱指数的改进双峰法水体分布自动化提取的简化方法(MHBM)[5]。该方法通过以下改进实现了面向对象的水体分布自动化提取并有效地降低了算法复杂度：①首先根据水体光谱指数进行水体分布粗提取(或用经验边界代替)，并将粗提取区域放大2倍作为感兴趣区域，通过限定研究区的方法提高阈值稳定性；②根据大量经验阈值限定合理阈值区间，并在阈值区间内搜索水体光谱指数图像直方图的最小值作为最优阈值精确提取水体，避免双峰法谷值难以自动搜索的问题，如图1(a)所示。

改进双峰法在简化算法复杂度、减少辅助数据使用的基础上实现了较高的精度，可以较好地用于长时间序列大批量数据的大型水体分布的自动化提取。

利用MHBM方法自动化提取了1984—2015年官厅水库水体分布，叠加在一起后，得到水体分布频率图，如图1(b)所示。图中可以看到，官厅水库北部四周和南部北侧水体分布变化较大，这些区域主要是湿地，涨水时会淹没较多区域。

MHBM法的基础是水体指数，只要遥感数据存在计算水体指数的波段就可以用这种方法提取水体分布，不受空间分辨率的影响。

图1 改进双峰法原理示意图和1984—2015年官厅水库水体分布频率图Fig.1 Diagram of MHBM and the frequency of water distribution in Guanting Reservoir from 1984 to 2015

1.2 水体面积、水位和水量遥感监测

水位和面积是湖泊水文分析中的基础数据之一，在传统分析中主要是由实地观测获取。但是受限于经济或地理因素，很多区域因缺乏观测站至今无法获得实测水位数据[6]。近年来测高卫星的发展为湖库和河流水位的获取带来更多的可能性[7-8]，并产生了一些被广泛应用的卫星测高数据集，如二级全球陆面高度测量数据(ICESat-GLAS)[9]，由法国的LEGOS/GOHS开发的Hydroweb数据集[10]，以及对全球228个湖泊和水库水位进行近实时监测的GRLM (Global Reservoir and Lake Monitor)数据集[11]。

湖泊水量变化是分析水量平衡的重要参量[12]，目前针对全球湖泊高精度的水量及其变化估算尚不够充分[6]。NASA提供的基于GRACE重力卫星的陆地水储量变化数据(ESMDATA)的空间分辨率只有1°。

研究利用Landsat和MODIS数据对青藏高原72个湖泊进行了长时间序列面积变化监测，结果表明，青藏高原湖泊以扩张为主，且这一趋势自2001年后更加明显。进而，结合ICESat数据，利用遥感水文模型模拟了青藏高原典型湖泊纳木错的水量平衡过程，重建了纳木错近30年的水位、水量变化序列，结果表明，纳木错湖泊1976—2009年水量自786.06×108m3增加至870.30×108m3，水位上升了5.93 m[13]。

湖泊水量可以看作是湖表面积(S)和湖泊深度(H)的函数：

W=f(S,H)

以青藏高原湖区为例，基于遥感获取的湖泊面积、水位数据集，构建了湖泊面积-水位二次关系模型，利用推导的湖泊蓄水量公式，估算了青藏高原22个湖泊近20年的水量变化情况，详见图2。结果表明，青藏高原大部分湖泊水量呈明显增加趋势，且与气候因子的变化关系十分密切[14]。

图2 青藏高原22个湖泊水量变化趋势Fig.2 Trend of water volume change of 22 lakes in the Qinghai-Tibet Plateau

2 典型湖库水质参数遥感监测

2.1 典型湖库叶绿素a浓度遥感监测

叶绿素a浓度是反映水体中总的浮游植物和藻类生物量的最佳参量，也是评价水体营养状态的最佳色素[15]。内陆水体光学特性复杂，而且随区域和季节变化很大[16]，甚至同一个水体的不同区域和不同季节光学特性也不相同[17]。在光学特性复杂的水体很难构建统一的模型反演水体组分浓度，尤其是叶绿素a浓度。为解决这一问题，发展了一些基于分类的反演模型，对不同类型的水体采用不同的反演算法，可以在一定程度上提高反演模型的区域和季节适用性，进而提高反演精度[18-19]。但是，由于不同类型水体采用了不同的反演模型，导致类别边界出现反演结果的跳跃，不符合水体组分空间分布渐变的特征。另外，水体类别无法覆盖所有类型的水体，且同一类型水体之间也存在光学特性的差异，进一步限制了分类反演方法的应用效果。

为解决“硬分类”反演的问题，“软分类”(模糊分类)反演方法被应用于水体叶绿素a浓度反演[20-22]。“软分类”反演方法是在“硬分类”反演方法的基础上进行的，首先也需要对水体进行光学分类，并计算每一类水体的质心光谱，然后标定每一类水体的最优反演算法，最后计算其他(像元)光谱到所有质心光谱的距离权重，距离越近，权重越大，将所有最优算法的反演结果乘以距离权重进行加权融合，得到最终的反演结果。通过优化不同类型水体的反演算法提高了反演的精度，通过最优算法的加权融合避免了类别边界两侧由于采用了不同的算法导致的数值跳跃(如图3中的A和B)。将“软分类”反演方法应用于中分辨率成像光谱仪(MERIS)图像反演了太湖2003—2011年的长时间序列水体叶绿素a浓度，进一步证明了“软分类”反演方法的高精度、稳定性和类别边界的平滑性[23]。

图3 “软分类”反演算法中加权融合效果Fig.3 Weighted fusion of the soft classification inversion algorithm

2.2 典型湖库悬浮物浓度遥感监测

悬浮物是指水体中呈固体状的不溶解的物质，悬浮物浓度是地表水体质量评价中的一个重要参数，它决定了水体的透明度和水体颜色等光学性质，进而影响了水体的初级生产力[24]。反演内陆水体悬浮物浓度的方法主要有基于经验方法[25-26]和半解析方法[27]。

以高度浑浊的太湖为研究区，获取并分析了太湖四季水体光学特性数据，得出近红外波段的悬浮物、叶绿素a和黄色物质的吸收系数可以近似为0的结论，进而通过生物光学模型的变形推导得出基于近红外单波段的悬浮物浓度反演方法，属于半解析方法[28]。该方法只需要以一个近红外波段为输入参数，HJ-1 CCD刚好有一个近红外波段。将该方法应用于一景经过大气校正的HJ-1 CCD图像，得到的悬浮物分布图如图4所示。

图4 2009年3月14日获取的HJ-1 CCD图像反演的太湖悬浮物浓度分布Fig.4 Suspended particulate matter of the Taihu Lake retried by HJ-1 CCD acquired on March 14,2009

这种基于近红外单波段的悬浮物浓度反演方法以事先建立好的研究区水体单位固有光学量数据库为输入参数，不需要同步数据支持，因而具有很好的实用性和推广价值。除了HJ-1 CCD，该方法也适用于包含近红外波段的其他遥感数据(如MODIS、VIIRS、MERIS、OLCI等)。这种方法的局限性是只适用于高度浑浊的水体。

3 大范围湖库水质参数遥感监测

3.1 大范围湖库营养状态遥感监测

水体富营养化是指水中营养物质增多，促使水中藻类及其他水生生物快速生长和繁殖，进而破坏水体生态和功能的现象[29]。湖库水体富营养化已成为一个全球性水环境问题[30]。传统的富营养化遥感评价主要通过遥感反演水体叶绿素a浓度、透明度等水质参数，构建营养状态指数模型，对水体进行营养状态评价。但是，遥感反演湖库水质参数算法具有很强的时间和空间限制性，难以对大范围湖库水体进行富营养化监测[31-32]。

为了克服水质参数反演模型的时空局限性，尝试直接利用水体颜色信息评价大范围湖库营养状态[33]。水体颜色是太阳光与水中物质相互作用的结果，与水中各水色组分要素(叶绿素、悬浮物、有色可溶性有机物)的吸收和散射作用密切相关[34-35]，能够指示区域和全球范围内的水体水质特征信息。水色指数(FUI)基于传统的福莱尔水色计(Forel-Ule scale)把自然水体颜色分为从深蓝到红棕色的21个级别，能够通过遥感影像的水体离水反射率计算得到FUI[36-37]。近年研究表明，FUI水色指数遥感提取受大气校正影响较小，具有在不同传感器之间相互转换的能力，在大范围长时间尺度上监测反演水体水质方面具有较强优势[38-39]。

在分析FUI与湖库水体营养状态指数之间关系的基础上，构建了基于MODIS图像计算的FUI以及红波段反射率特征的湖库水体营养状态分级评价方法，经检验得到方法精度为82.2%。利用该方法，基于2012年全球MODIS FUI产品数据，在全球范围对2 058个大型湖库进行营养状态评价，分析了湖库水体营养状态在全球的空间分布格局[33]。

3.2 大范围湖库透明度遥感监测

透明度是水体浑浊程度的光学指标，一般采用塞氏盘法，由监测人员在湖面上将黑白相间的塞氏盘逐渐沉入水中，直到它消失在监测者的视线之外，此时从水面到塞氏盘的垂直距离称为水体透明度，也称为塞氏盘深度(Zsd)。LEE等更新了Zsd物理解释模型，提出了反演Zsd的半分析模型[40-41]。此外，不少研究使用经验或半经验模型反演湖库水体透明度[42-43]。但是，对于大范围湖库水体，半分析模型反演透明度因水体光学特性复杂而呈现很大不确定性[44]，经验和半经验模型也在不同区域和水质类型水体中精度差别较大，目前面向大范围湖库水体透明度反演仍是水色遥感的难点。

针对这一问题，研究构建了基于MODIS图像计算的FUI和色度角[45]的湖库水体透明度估算模型。经检验，该模型在大范围的水体中反演稳定性和精度都更高，适用于进行大范围长时序水体透明度反演。基于该模型，生产了在2000—2014年全国205个大型湖库夏季平均透明度以及每年夏季平均透明度产品，分析了全国大型湖库水体透明度空间分布格局和总体变化趋势。

4 地表水环境遥感监测系统

基于地表水环境遥感监测模型和方法，设计并开发了地表水环境遥感监测系统，该系统由四大子系统组成，分别是水体图像处理子系统、水质参数反演子系统、污染信息提取子系统、专题报告生产子系统。

水体图像处理子系统是对覆盖水体的遥感图像进行预处理，其主要功能包括：辐射校正、大气校正、云识别、水体提取、水体面积计算等。水质参数反演子系统是利用经过预处理的遥感图像反演水质参数，能够反演的水质参数主要包括：叶绿素a、悬浮物、透明度、浊度、营养状态指数、黄色物质、藻蓝素等。污染信息提取子系统是提取水体污染物的分布，能够提取的水体污染物主要包括：蓝藻水华、赤潮、绿潮、溢油等。专题报告生产子系统是将系统生产的水质参数和水体污染物等产品根据事先定义的模板进行专题图生产和图表统计，最终形成面向环境监测业务的专题报告。

地表水环境遥感监测系统具有一个显著特点，即面向典型遥感数据源的业务员操作模式，该模式可以基于原始的遥感数据一键式自动化生产水环境遥感监测专题报告，提高水环境遥感监测的工作效率，促进卫星遥感在水环境监测中的业务化应用。

5 结论与展望

5.1 结论

面对地表水环境遥感监测的关键技术难点，课题组开展了关键技术及其典型应用研究。建立了基于改进双峰法的水体分布自动化遥感提取方法，实现了简单、高效和高精度的水体提取，并应用于全国乃至全球大范围湖库水体提取；提出了大型湖泊长时序水量估算方法，并以青藏高原湖区为例，重建了典型湖泊面积、水位和水量序列，揭示了其时空变化规律；发展了基于“软分类”的典型内陆水体叶绿素a浓度反演方法，提高了反演模型的区域和季节适用性，并应用于MERIS数据反演太湖叶绿素a浓度时间序列产品；构建了基于生物光学模型的高度浑浊水体悬浮物浓度遥感反演半解析方法，并应用于HJ-1CCD数据反演太湖悬浮物浓度；构建了基于FUI的大范围湖库营养状态和透明度遥感监测方法，应用于MODIS数据，实现了全球大型湖库营养状态遥感监测，以及全国大型湖库透明度遥感监测；基于地表水环境遥感监测模型和方法，设计并开发了地表水环境遥感监测系统，提高了水环境遥感监测的工作效率，促进了卫星遥感数据在水环境监测中的业务化应用。

5.2 展望

地表水环境遥感监测仍然有很多需要完善和拓展的工作。数据源方面，除了卫星遥感，要充分利用无人机、塔基、船载遥感数据，此外，还要进一步利用智能手机开展众包的水质监测。监测方法方面，可以进一步探索深度学习技术在水质遥感监测中的应用。应用方面，要构建开放共享的地表水环境遥感监测产品集，进一步促进遥感技术在水环境监测中的业务化应用。