张玲

摘要：随着高分系列、资源系列等高空间分辨率卫星的发射，我国的遥感监测技术开始由传统的低效率、高成本发展为高效率、低成本。本文主要阐述了卫星遥感影像上基于特征波段和基于色度法、饱和度法等指标的城市黑臭水体识别的原理，以及城市黑臭水体的点位精度评价方法和线段精度评价方法，为进一步利用遥感卫星技术识别城市黑臭水体奠定了理论基础。结果表明，采用高空间分辨率卫星进行黑臭水体遥感监测新理论和新方法研究具有重要的现实意义和科学价值。

关键词：卫星影像  黑臭水体  识别原理  精度评价

近年来，随着我国城市经济的快速发展，城市水体黑臭水体问题已经成为较为突出的水环境问题。对于黑臭水体的排查和识别，传统的方法大多是采用人工实地调查和公众监督举报的方法。人工实地调查方法效率低，成本高，且难以长时期的进行周期性监测。而公众监督举报方法是用户根据公众根据自己实际的感官体验向政府有关部门举报，由于每个人感官体验不同，这种方法往往存在漏报和错报的现象。相较于传统地面监测手段，借助卫星遥感数据进行监测具有很大的优势。卫星遥感获得的监测信息在空间和时间上具有连续性，动态影响能力强，可做周期性监测。因此，基于卫星遥感数据，以遥感图像处理技术为依托，结合地面数据采集与分析，开展天地一体化的黑臭水体遥感监测新理论和新方法研究具有重要的现实意义和科学价值。

目前，国内外学者利用现有各类卫星传感器对黑臭水体的研究较少，主要集中在两方面：一是利用高分辨率陆地卫星和低分辨率海洋卫星对常规陆地地表水质参数进行遥感反演、识别并解译黑臭水体;二是根据一般水体与黑臭水体不同的光谱特征，利用波段组合，识别黑臭水体。国内研究中，姚月等人（2019）通过分析黑臭水体的光谱特征，提出了一种基于反射率光谱指数BOI的黑臭水体识别模型，具有较高的识别度[1];靳海霞等人（2017）利用高分二号卫星融合影像数据对水体水质参数反演，水质参数包括叶绿素a、悬浮物浓度等，与预先设定的黑臭水体水质参数的比较实现判别[2];温爽等人（2018）利用绿光波段遥感反射率的单波段阈值，蓝、绿波段差值，红、绿波段比值以及色度值，构建了基于GF-2影像的城市黑臭水体遥感识别算法[3];田建林等人（2018）利用遥感卫星定量反演珠江三角洲附近水体的水质参数，并以此为主要依据建立水体污染源目标解译标志，识别出5类共77处污染源[4];林剑远（2019）采用半经验法建立了城市河网航空高光谱水质参数反演模型，实现了研究区城市河网水体中的水质参数浓度的反演，构建了水质参数定量反演的模型[5]。国外研究中，Dekker等人（1993）分别利用Landsat和SPOT卫星反演得到精度较高的总悬浮物浓度[6];Olmanson等人（2008）利用Landsat反演明尼苏达州超过10000个湖泊的透明度[7];Tebbs等人（2013）基于Landsat反演得到博格里亚湖的叶绿素a浓度对湖泊的生物量进行估算[8]。

本文主要阐述了卫星遥感影像上识别城市黑臭水体的原理以及城市黑臭水体的精度评价方法，进一步利用遥感卫星技术识别城市黑臭水体奠定了理论基础。

2 遥感卫星影像识别城市黑臭水体的原理

2016年，住房和城乡建设部和环境保护部、水利部、农业部等部委编制了《城市黑臭水体整治工作指南》。《城市黑臭水体整治工作指南》明确了黑臭等级的划分，如表1所示，城市黑臭水体根据水体中的透明度、溶解氧、氧化还原电位三种指标来判定。

然而，基于卫星遥感影像识别城市黑臭水体不是根据黑臭水体自身的透明度、溶解氧、氧化还原电位三种指标，而是根据卫星影像本身的颜色组合以及光谱反射率来实现的。基于卫星遥感影像识别城市黑臭水体的原理主要是基于两种思路。第一种思路是基于特征波段进行城市黑臭水体识别。第二种是基于色度法等指标进行黑臭水体识别。

（1）基于特征波段的城市黑臭水体识别原理。采用该方法在卫星遥感影像上识别城市黑臭水体主要是通过城市黑臭水体的反射光谱特征来实现的。一般情况下，城市黑臭水体的遥感反射率的曲线与正常的水体有明显的区别，二者有明显的光谱差异。城市黑臭水体在400nm～900nm 波段遥感反射率值整体低于0.025sr-1，而正常水体的在400～900 nm 波段遥感反射率值整体比黑臭水体稍高。对于黑臭水体而言，在400nm～550nm 波段范围，其波谱曲线反射率斜率较小，波段550nm～580nm 时，波谱曲线达到峰值，但是整体走势很平缓。在对于正常水体而言，其波谱曲线反射率的斜率较大。正常水体峰值相对黑臭水体较高。根据黑臭水体与正常水体的光谱差异，利用高分辨率提取城市黑臭水体的方法称之为基于特征波段的黑臭水体识别算法，该方法主要有波段比值法、改进后归一化比值法、差值法、单波段阈值法、黑臭水体差值指数法、黑臭水体斜率指数法、归一化黑臭水体指数法等。

（2）基于色度等多指标的黑臭水体识别原理。在固定工艺和技术下，显著地物的光谱反射比在一张标准假彩色的卫星遥感影像上是一定的，因此，其反映到影像上则为不同的颜色组合。依据色度标准的规定（以国际照明委员会为准），地物的颜色用卫星遥感影像中的地物光谱反射比来表示，换句话说，即遥感影像的色调、亮度及饱和度用色度坐标和色度图来表示，并使这种颜色的标号具有标准化、数字化和定量化的特点。由于黑臭水体与正常水体的色度指标和饱和度指标的不同，其在遥感影像上均表现出不同的色度和饱和度指标，故利用高分辨率提取城市黑臭水体又有色度法、饱和度法等。

采用色度法进行黑臭水体识别时，首先要在遥感影像上选择对应等效遥感反射率的红绿蓝波段即R、G、B求出三刺激值X、Y、Z，再将其转换为色度坐标，进而求出对应的颜色波长。色度坐标计算公式如下式中，R、G、B代表等效遥感反射率的红绿蓝波段。

基于飽和度的黑臭水体识别首先选择遥感影像上对应的反射率数据，然后根据饱和度计算公式计算出饱和度值，最后根据城市黑臭水体和非黑臭水体计算的结果，选取合适的阈值来识别黑臭水体。假设等能白光点S坐标为（0.3333，0.3333），则饱和度计算公式如下：

式中，（）为颜色主波长处光谱色度坐标，（x，y）为像元色度坐标，表示颜色主波长处光谱色度坐标与等能白光点的距离，表示像元色度坐标与等能白光点的距离。

但是分析发现，由于存在光谱重叠、部分水色类似以及在利用遥感图像进行数据处理时大气校正效果的影响，色度法和饱和度法对于颜色相近的水体识别误差很大，但是对于颜色差异较大的水体，误差较小。因此，在利用色度法和饱和度法进行黑臭水体识别时，受外界影响较大，进而影响识别精度。但是对于基于特征波段的黑臭水体识别算法，具有理论依据，易于操作，原理简单，能较好实现黑臭水体的提取。相比于基于色度法等指标的黑臭水体识别算法，该方法识别精度较高。研究发现，在提取城市黑臭水体时，归一化黑臭水体指数识别正确率较高，具有较高的稳定性。

3 黑臭水体遥感识别精度评价方法

黑臭水体遥感识别精度评价方法主要分三个阶段：第一，用高分辨率卫星在黑臭水体识别算法的基础上识别黑臭水体，第二，利用该地区同步的水质测量数据对高分辨率卫星识别结果进行精度评价。第三，将上述所用算法应用于其他既有同步的水质测量数据也有卫星影像的区域，验证该方法的稳定性。

黑臭水体遥感识别精度评价方法主要分为点位精度评价方法和长度精度评价方法。

（1）点位精度评价方法。

黑臭水体遥感识别点位精度评价方法[3]以采样点为基准，采用识别正确率的方法。即识别正确率采用模型后识别正确的样本个数与该类别中的总样本个数的比值。精度评价指标采用识别正确率，公式如下：

式中， N表示该类别中的总样本个数，M表示采用模型后识别正确的样本个数。

（2）长度精度评价方法。

黑臭水体遥感识别长度度评价方法[9]以河流线段为基准求出总体遥感识别精度。总体遥感识别精度是先用已确认黑臭河段长度与遥感识别黑臭河段长度作一个比值，再取各河段遥感识别精度的平均值计算出来的。

式中，L2为确认黑臭河段的长度，L1为遥感识别黑臭河段长度。n为参与评价河段精度的长度。

4 结论

随着我国卫星遥感技术的发展，我国的遥感监测技术也在不断进步和提升。高空间分辨率遥感卫星能够为城市黑臭水体的快速动态监测提供了有效的数据保障。采用高分辨率卫星进行黑臭水体提取，对我国的水环境监测以及环境保护都具有十分重要的意义。本文主要研究了卫星遥感影像上基于特征波段的黑臭水体识别算法、基于色度法、饱和度法等指标的黑臭水体识别算法，并对这两种方法进行了对比分析，并阐述了城市黑臭水体点位精度评价方法和长度精度评价方法，结果表明，采用高空间分辨率卫星进行黑臭水体遥感监测新理论和新方法研究具有重要的现实意义和科学价值。后续，将采用实际的高分卫星遥感数据深入研究如何在高分辨率卫星影像上识别黑臭水体。

参考文献

[1]姚月，申茜，朱利，等.高分二号的沈阳市黑臭水体遥感识别[J].遥感学报，2019（02）：230-242.

[2]靳海霞，潘健.基于高分二号卫星融合数据的城镇黑臭水体遥感监测研究[J].国土资源科技管理，2017（04）：107-117.

[3]温爽，王桥，李云梅，等.基于高分影像的城市黑臭水体遥感识别：以南京为例[J].环境科学，2018（01）：57-67.

[4]田建林，邓孺孺，秦雁，等.基于遥感反演的珠江三角洲水体污染源目视解译实证研究[J].经济地理，2018（08）：172-178.

[5]林剑远，张长兴.航空高光谱遥感反演城市河网水质参数[J].遥感信息，2019（02）：23-29.

[6]Dekker A G， Peters S W M. The Use of the Thematic Mapper for the Analysis of Eutrophic Lakes： A Case Study in The Netherlands[J].International Journal of Remote Sensing， 1993（05）：799-822.

[7]Olmanson L G， Bauer M E， Brezonik P L. A 20-year Landsat water clarity census of Minnesota's 10，000 lakes[J].Remote Sensing of Environment， 2008（11）：4086-4097.

[8]Tebbs E J， Remedios J J， Harper D M. Remote sensing of chlorophyll- a， as a measure of cyanobacterial biomass in Lake Bogoria， a hypertrophic， saline–alkaline， flamingo lake， using Landsat ETM +[J].Remote Sensing of Environment，2013（04）：92-106.

[9]李佳琦，李家國，朱利，等.太原市黑臭水体遥感识别与地面验证[J].遥感学报，2019（04）：773-784.