仲玉晶 文静

摘 要：分析在紫外、可见光波谱中可用作地表水遥感条件下硬度检测的资源，并利用卷积神经网络排除该检测过程中的不稳定性。经过仿真测试，该算法较传统的Ca、Mg离子吸收光谱法，在分析精度和结果数据稳定性方面有显著提升。

关键词：紫外波谱;可见光波谱;吸收谱线;卷积神经网络;水质硬度检测

中图分类号：X832 文献标识码：A     文章编号：1001-5922（2021）10-0042-04

Research on Surface Water Hardness Detection Method Based on UV Vis Spectrum

Zhong Yujing， Wen Jing

（Qinghai Hydrological And Water Resources Forecasting Center， Xi ning 810001， China）

Abstract：This paper analyzes the resources that can be used to detect the hardness of surface water under the condition of remote sensing in the ultraviolet and visible spectrum， and uses convolution neural network to eliminate the instability in the detection process. The simulation results show that the algorithm is better than the traditional Ca and Mg ion absorption spectrometry in analysis accuracy and data stability.

Key words：ultraviolet spectrum; visible spectrum; absorption spectrum; convolution neural network; water hardness detection

0 引言

早期地表水污染状态监测，一般需要在全国各地布局水文站，通过现场采集水样实验室化验的方式进行水样分析。且该分析过程需要使用到色谱仪或者质谱仪，甚至要用到蛋白质电泳显影化验。该化验方式相关仪器操作较为复杂，仪器较为昂贵，并非每个水文站都可以配备，所以水样一般需要集中送交到省级水文管理单位进行集中化验。这一过程要消耗大量的人力，工作效率较低，检测水样的管理难度较大，容易造成数据更新不及时，且水样采集点也很难覆盖全国各地的地表水水体，存在一定的统计学幸存者偏差效应。

卫星遥感图像用于地表水水质硬度检测的相关技术实践，在20世纪中后期已经开始实践，但近年来随着高分卫星工程民用化进程的推进，民营企业逐渐开始研究如何利用卫星遥感图像的可见光（400～780nm）、近紫外（200～400nm）、远紫外（4～200nm）进行地表水硬度检测，应用于水产养殖、水质管理等，已经成为技术发展新方向。特别是对水质硬度影响最大的Na+（589.592nm） 离子、K+（766.490nm） 离子、Ca2+（317.933nm）离子的浓度含量测定，成为该技术的重点。

该研究重点就基于高分卫星遥感图像的水质硬度检测方案进行研究，对卫星数据进行深度挖掘，将其反射广谱信息和红外紫外信息用作水质检测，提出一種更简便、迅速、稳定的可用于民营企业水质硬度检测的监测方法。该方法可以在每次相关卫星飞掠中国国内区域时均进行全面检测，数据无死角，更新也较为迅速。

1 卫星水质遥感的基本原理

1.1 卫星遥感的数据来源及干扰

卫星对地遥感，根据传感器类型，可以在电磁波全波段中选择任意观测波段接收地面反射。这些电磁波的特定波长，代表着反射物的具体成分。该研究梳理了地表水中大部分可能出现的化学成分反射光线中的吸收波长，即如果地表水中存在对应物质，根据其实际含量，对应波段的特定波长反射率会有所降低。但是，地表水中的绝大部分物质成分为H和O，此时需要排除H和O吸收波长给卫星遥感设备带来的干扰。且还应考虑到阳光穿过大气层时，大气层中相关物质成分带来的吸收波长干扰，以及大气层中较为浓厚的平流层顶和对流层顶（云顶）带来的反射吸收波长特性。该过程如图1所示。

图1中，太阳光穿透大气层的耗散层、平流层、对流层照射水体，此时已经失去了绝大部分紫端辐射能，即宇宙空间中太阳光属于白偏蓝光，但到地面照射得到径流水水体时，大部分紫端光已经被吸收，此时水面反射出的光线为蓝偏黄色。此时，水边建筑物及植被都可能产生炫光，炫光部分直射卫星感光元件，部分经过水体反射后到达卫星感光元件，这也会导致水体“变色”，影响水体反射光的颜色构型。同时，太阳光为光源，需要依次发生平流层的层顶反射、耗散、吸收，以及对流层的层顶反射、耗散、吸收，卫星运行的耗散层中也有可能产生光线特定波长的耗散和吸收。这些都会给卫星遥感带来直接干扰。所以，该算法必须充分考虑到这些干扰才可以达到理想的评价效果。

1.2 离子吸收波长分布情况

每种离子均有特定的一系列吸收光谱，其原理在于特定波长光子击中电子云后，电子云会吸收并发生向高能级跃迁。此时，每种离子均可能形成数十条吸收光谱线，但每种元素均有最低能级状态下的跃迁谱线被称作该种离子的第一推荐谱线。根据第一推荐谱线的波长位置，会发现已知离子在可见光（400～780nm）条件下的12条谱线，如表1所示;在近紫外线（200～400nm）条件下的55条谱线，如表2所示;在远紫外线（4～200nm）条件下的8条谱线，如表3所示。当前已知118种元素中，有75种可以通过该方案进行检测。

表1中多为小原子量的常见元素，其中对水质硬度构成影响较大的K离子、Li离子、Na离子、Cl离子等，也包含较多其他元素。

表2中包含了该方案可检测元素的大部分，特别是对水质硬度影响较大的Ca、Al、Mg、Ag、Fe和P离子等，均在该监测范围内。

表3中包含最强吸收谱线在4～200nm的离子，此类离子在早期技术中并不能被卫星遥感有效检测，但在高分13号卫星之后可以实现该检测技术，其中包含了对水质硬度影响较大的S离子、I离子、C离子、Zn离子等。远紫外线吸收波谱技术的应用，是对卫星遥感水质硬度检测的重要技术补充。

2 吸收光谱检测方法革新

前文分析中，卫星遥感完成水质检测的过程，水体的反射光线可能发生较大程度的干扰性变化，即其反射光线的谱线并不完全由其自身的光子吸收效应造成，如果构建模糊矩阵等较为直接的刚性算法，很难对相关干扰逐一处理。因为这些干扰的实际发生机制难以确定，所以需要在反射光的极端不完备数据条件下的完成卫星遥感图像文件的数据处理。这就决定了有必要使用基于神经网络的机器学习人工智能算法。神经网络算法的特点即是在不完备数据条件下，可以使用深度挖掘计算方式获得不完备数据中携带的干扰因素信息。

综合分析，在紫外、可见光波谱内的可检测元素已经达到了75个，但仍不能实现对所有可能元素的含量精准分析。传统模式下，针对特定谱线，应考虑到极限相当浓度、径向检测极限、信号相对强度、信噪比、实测信号强度、大气散射印象、云层反射影响、相对论效应、速度红移效应等多种干扰因素，这些干扰因素中的大部分均无法有效测定。所以，该数据属于不完备数据，不完备数据的分析结果误差较大，且难以将数据分析落点控制在置信区间内。故需要在实验室中构建足够大量的训练数据，对一列卷积神经网络形成的机器学习水质硬度判断模块进行训练，最终达到更精准的水质硬度判断方案。

神经网络采用单模块设计，输入端为精选的至少75条谱线，为加强分析效果，可增设每元素的第二推荐谱线作为参照，即该神经网络的输入端为150条谱线的实测值。

神经网络的输出端为1个双精度浮点型变量，投影区间为[0，1]区间，即其前置一个卷积神经网络模块，后置一个函数解释输出模块，如图2所示。

图2中，对图像进行逐像素扫描，提取像素信息后，根据其色彩信息进行色谱反算（因为不同卫星传感器的波长感应器构成不同，需要使用高分工程开发工具包内置软件完成），得到的色谱结果为一个Q-λ直方图，在直方图上读取上述150个λ特征点的Q值，作为神经网路的输入值。

神经网络的统计学意义是将150个在Q-λ直方图读取的双精度浮点型变量进行卷积降维，使其形成1个双精度浮点型变量，用于标记该区域的水硬度，所以，其应采用相关文献中常用的卷积降维节点函数六阶多项式回归函数进行设计。其函数如公式（1） ：

式中：Xij为上一层神经网络传导的第i个输入值;Y为该节点输出值;j为多项式阶数;Aj为第j阶多项式的待回归系数。

采用40%的卷积压缩比，该神经网络的隐藏层架构如表4所示。

经过4层隐藏层并经输出层1个节点进行数据整理输出后，得到1个双精度浮点型变量，该变量的可能落点在（-∞，+∞）区间上，但为了考察神经网络的收敛特性，仅规定[0，1]区间上的输出值有效，通过判断最终输出值是否在[0，1]区间来判断神经网络的收敛特性。

假定其有效输出值为A，则在硬度解释模块中将A变换为1000，即可实现对该输出值的解释。

3 算法效能仿真测试

水质数据可以通过现场采集数据并利用质谱仪分析得出精确的水质硬化成分的检测，所以使用质谱仪数据作为评判标准，通过现场采样并进行实验室分析得到水硬度结果对该神经网络进行训练并充分收敛，进而使用针对Ca、Mg离子吸收波长直接测算法以及该研究革新算法进行效能仿真测试比较，如表5所示。

表5中，革新方法较传统Ca、Mg谱线法在测量标差方面有了显著提升，且以实验室抽样结果为参照，传统Ca、Mg谱线法较实验室结果偏差6.60%，而革新方法较实验室结果偏差2.43%;Ca、Mg谱线法的数据集标差达到9.2mg/L，而革新方法的数据集标差仅为2.1mg/L，可见革新方法的数据产出更为稳定。

4 总结

水质硬度虽然以等效Ca、Mg离子比重为标记，但影响水质硬度的核心原因在于水中溶解无机盐的总比重。采用文章革新方法对水质硬度进行检测，引入基于神经网络的机器学习人工智能算法，考虑到了75种可溶无机盐离子的影响，虽然其数据具有不完备性，但通过神经网络算法对数据不完备进行了适应性深度迭代回归，使该数据不完备性得到有效缓解。所以，该革新方法在卫星遥感图像中紫外、可见光波谱水硬度分析方面有积极意义。

参考文献

[1]刘增贤，刘克强，李勇涛，等.太湖流域水产养殖面积遥感监测及产流模拟分析研究[J].水利规划与设计，2020（12）：97-102.

[2]王赛林.遥感技术在水资源管理中的应用[J].水利科技与经济，2020，26（11）：85-88.

[3]王联友，林建涛，袁伟俭.基于遥感的城市水环境监测方法研究[J].測绘与空间地理信息，2020，43（11）：152-155.

[4]何颖清，冯佑斌，扶卿华，等.珠江河口海水表层盐度光学遥感反演研究[J].地理与地理信息科学，2020，36（06）：40-47.

[5]王歆晖，田华，季铁梅，等.哨兵2卫星综合水质指标的河流水质遥感监测方法[J].上海航天（中英文），2020，37（05）：92-97+104.

[6]闻亮，李胜，陈清，等.基于无人机遥感的水质监测信息集成与应用[J].江苏水利，2020（10）：35-40.