无人机高光谱遥感水质反演方法研究

摘要：本文研究基于无人机高光谱遥感数据反演内陆水体水质参数的方法。利用无人机高光谱成像光谱仪获取内陆水体高光谱数据，预处理和拼接后得到研究区水体光谱反射率数据。通过分析光谱反射率与水质参数关系建立反演模型，对比实地测量样本水质参数与反演结果分析模型适用性。在实验中，对沙坪河进行无人机航拍，基于高光谱数据分析水质参数与光谱波段数据相关性，以经验法建立水质参数反演模型，成功反演水体叶绿素、悬浮物浓度、总氮、总磷含量。实验结果表明：无人机高光谱遥感影像水质反演技术能有效反映内陆水体污染物质空间分布，为水环境治理提供决策支持。

关键词：无人机；高光谱；水质参数；遥感反演模型；内陆水体

引言

水环境监测对保障水体健康至关重要，尤其在全球水污染加剧背景下。传统水质监测耗时且成本高，高光谱成像技术成为非接触式水质监测新手段。结合无人机与轻小型成像光谱仪，无人机高光谱数据可用于水质参数反演。本研究利用高光谱遥感影像对沙坪河四种水质参数反演，通过经验模型构建，对比实地测量与反演结果，发现该模型能有效反演叶绿素、悬浮物浓度、总氮、总磷含量，为内陆水体快速监测提供新途径。

1 研究背景与意义

水体水质影响水生生物生存状态及生态系统平衡。水质变化对人类健康和经济活动有深远影响，不洁水源威胁公共卫生，水质下降增加生产成本、降低产品质量、影响经济效益。悬浮物和溶解性有机物增加降低水体透明度，影响水下光合作用和水生生态系统初级生产力。水质监测作为水质管理和保护的基础，重要性不言而喻。

水质监测至关重要。为克服传统监测的局限，研究者探索高光谱遥感技术，它可通过分析光谱特性实现快速、大面积监测。但该技术需深入研究和验证，以在水质监测中发挥更大作用。

2 研究方法

2.1 数据源

本研究利用无人机搭载的高光谱成像光谱仪获取内陆水体高光谱数据，主要区域为沙坪河，通过无人机航拍获取覆盖研究区的水体高光谱遥感影像，数据包括从可见光到近红外范围多个波段，能反映水体光谱特征。

2.2 实验方法与流程

数据预处理：对获取的高光谱数据进行校正，拼接多个航拍影像生成覆盖研究区域的连续光谱反射率图像，采用变异系数和噪声占比指数等方法去除噪声。

光谱数据提取：在预处理后的高光谱数据中提取与水质参数相关的特征波段，分析不同波段光谱反射率与水质参数的相关性确定关键光谱特征波段，使用经验法构建水质参数反演模型。

模型验证和评估：将模型反演结果与实地测量数据对比分析，评价模型精度和适用性，利用相关系数、均方根误差和决定系数等指标量化模型性能，分析模型误差来源包括光谱数据噪声、模型泛化能力及环境因素干扰。

3 主要研究内容及目标

在水质监测领域，高光谱反射率数据与水质参数之间存在一定的关联性，例如：总磷、总氮、叶绿素含量、溶解氧等水质参数的浓度与水体光谱反射率的表现密切相关，水质变化会导致光谱反射率差异，这种关联性是水质反演的基础，通过分析光谱数据中特定波段，可以推断出各种水质参数浓度变化。

在高光谱反射率数据与水质参数的相关性分析中，噪声预处理至关重要。研究表明，通过变异系数和噪声占比指数确定潜在反演特征波段可排除噪声干扰，提高反演精度。此外，光谱分辨率、信噪比和辐射分辨率等仪器性能参数对水质反演模型影响不容忽视。实验结果显示，当信噪比高于 56dB、辐射分辨率不低于 9bit 且光谱分辨率适宜时，模型精度和稳定性提升，为优化水质参数反演结果提供重要指导[9]。

4 水质参数及其影响因素

4.1 水质参数分类与定义

水质参数是水质监测核心，其分类与定义关系到水质评价和水资源管理准确性。水质参数根据监测目的和水质特征，可分为物理性、化学性、生物性和生态性参数四大类。

4.2 水质参数影响因素分析

4.2.1 自然因素

自然因素对塑造水体化学、物理和生物特性至关重要，直接影响水质参数动态变化。包括气候条件、地质特征、水文过程和生态系统组成等自然因素相互作用，构成复杂动态的自然环境背景，是水质监测和评估中不可忽视的重要变量。

4.2.2人为活动

人为活动如工业排放、农业操作、城市化及能源利用显著影响水质。工业废水含化学物质、重金属，削弱水体自净力；农业残留促富营养化；城市扩张加剧径流污染；能源活动威胁生物多样性和水体状态。人为干预改变化学成分、扰动生态，光谱技术助力水质监测，无人机高光谱相机成评估利器，跨学科研究需深化以构建水资源管护策略。

4.2.3 季节变化

季节变化对水质参数影响复杂多变，高光谱技术可捕捉细微差异，为水质管理提供依据。无人机搭载高光谱相机能获取水质信息，为评估季节变化影响提供工具。理解季节变化与水质参数关系需结合水文气象数据和生态系统模型进行研究分析，以制定适应季节变化的水资源管理和保护策略[3]。

5 无人机高光谱影像水质反演模型分析

5.1 常用水质反演模型的优缺点分析

线性回归模型是水质反演中应用最广泛的基础模型之一。这类模型假设水质参数与光谱特征之间存在线性关系，通过最小二乘法等统计方法，从已知的光谱数据和实测水质数据中建立线性关系模型[6]。线性回归模型的优点在于计算简单、易于解释，但在非线性关系复杂的情况下，其预测精度往往受到限制。

每种模型有特定应用场景和局限性。线性回归模型适用于水质参数与光谱特征呈简单线性关系场合；深度学习模型处理大规模、高维度光谱数据有潜力；基于物理模型方法在需精确物理解释场景有优势。构建水质反演模型需综合考虑水质参数性质、光谱数据特性及监测目标，选最合适模型以提高反演准确性和可靠性。

5.2 模型选择

中国德州漳卫新河的研究利用无人机搭载推扫式高光谱成像仪获取图像，生成河流反射率数据，构建水质参数反演模型取得成功。无人机高光谱遥感技术在局部尺度内陆水质监测中具高准确性和成本效益。将该模型应用于沙坪河水质监测实验，以期获同样效果[10]。

6 沙坪河水质参数反演实验分析

无人机高光谱相机光谱范围为 400 - 1000nm，有 270 个谱段。因水体特征光谱信息主要集中在 450 - 850nm 之间，选择该范围光谱曲线为研究对象。通过无人机高光谱成像技术分析沙坪河水体光谱特征，发现光谱曲线有明显区域差异，反映不同污染状况。不同区段光谱特征与水体污染密切相关，城区段水色偏黑，提示沙坪河流域生态整治紧迫性。

5.4 模型预测结果与实际水质参数的比较

通过水质参数的光谱特征分析，本研究建立了水质参数反演模型，并获得了沙坪河水质反演结果（图4-7）。

由于采样点数据较少，为了进行精度验证，研究人员采用了前人研究中精度较高的四个水质参数反演模型，以对高光谱水质反射率数据进行反演。这四种参数的反演模型为：

叶绿素a浓度的反演模型（µg/L）： 22.06+149.05∗b754∗（1/b665−1/b709）（4.8）

总磷浓度的反演模型（mg/L）： 4.43+19.764∗b477（4.9）

总氮浓度的反演模型（mg/L）： 2.0876∗b810+0.0031（4.10）

悬浮物浓度的反演模型（mg/L）： 574.83∗b575−2.7244（4.11）

在水质反演模型评估中，将模型预测结果与实际水质参数比较是检验模型准确性和可靠性的重要步骤。本研究通过严格数据预处理和质量控制确保数据准确性和可靠性，通过不同模型在沙坪河实验区域的预测结果与实际水质指标比较，评估模型预测精度和泛化能力。

在实验设计与样本采集过程中严格遵循时间一致性、空间对应、环境条件匹配及样本质量控制原则，为模型可靠性与泛化能力奠定基础。

沙坪河河段，叶绿素分布从西至东浓度递减与上游污染分布吻合；总磷在岸边浓度高与水流缓、含磷沉积物易累积相符；总氮受农业排放物影响在农业区附近浓度高；水流缓慢河段悬浮物浓度高与悬浮物特性相符。现实环境与反演结果匹配，印证模型在沙坪河的有效性。

在完成模型训练与验证后，我们对模型预测结果与实际水质参数进行了详细的比较分析。这一比较涵盖了多种水质参数，包括总磷（TP）、总氮（TN）、叶绿素a（Chl-a）、悬浮物浓度（TSS）水质参数。

通过计算模型预测值与实际水质参数之间的相关系数，评估两者线性相关性。多数水质参数与模型预测值显示较高相关性，尤其在总磷、总氮和叶绿素 a 浓度预测上，模型表现出显著准确性，验证了光谱数据作为水质参数预测工具的有效性。

通过计算 MSE、RMSE、MAE 和 R²等统计参数，对模型预测误差量化分析，这些参数提供模型预测精度与稳定性信息。研究发现模型在特定水质参数反演上 RMSE 和 MSE 较低，R²值较高，表明模型精度和稳定性高。

本研究验证了水质反演模型的准确性和可靠性，揭示模型在处理不同水质参数时的优劣。特定条件下某些模型精度更高，为水质监测提供技术支持。模型参数优化对反演结果影响显著，为提高水质监测准确性和可靠性提供科学依据。

7 总结展望

水质反演模型革新水质监测，光谱数据与水质参数关联揭示模型效能，在总磷、总氮等预测上显线性相关。特定条件下部分模型精度高，参数优化提升反演准确性。模型在清澈水体表现优异，在浑浊水域精度下降，优化有助复杂环境预测。结合实时光谱实现水质即时监测与预警是未来研究方向。增强模型泛化能力，融合多源数据与 AI 提升智能决策，结合物理模型与机器学习，优化实时监测系统，促进跨学科合作有助于推进无人机高光谱影像水质监测技术发展，助力水资源管理与保护。

参考文献

Mohammad， A.， Asgedom， G. A.， Mokenen， N. K.， et al. （2024）. Evaluation of groundwater quality for drinking water using a quality index in Abyi Adi， Tigrai， Northern Ethiopia. Heliyon， 10（16）， e36173-e36173.

姜海山， 冯杰， 孟凡伟， 等. （2024）. 黑臭河道水质监测及综合治理措施研究. 化学工程师， 38（08）， 39-43.doi：10.16247/j.cnki.23-1171/tq.20240839.

白立飞. （2024）. 基于无人机高光谱遥感的水体 CHL-a 反演. 测绘与空间地理信息， 47（07）， 123-125+132.

乔智， 姜群鸥， 律可心， 等. （2024）. 无人机高光谱遥感和集成深度置信神经网络算法用于密云水库水质参数反演. 光谱学与光谱分析， 44（07）， 2066-2074.

柳忠伟， 姜丙波， 杨帅， 等. （2024）. 基于 OLI 数据的石马河水质参数反演研究. 人民黄河， 46（S1）， 51-52+54.

丁奕文. （2024）. 无人机高光谱在城市水质环境监测应用中反演模型构建的研究. 陕西水利， （02）， 94-96+100. doi：10.16747/j.cnki.cn61-1109/tv.2024.02.009.

王珊珊， 李云梅， 王永波， 等. （2015）. 太湖水体叶绿素浓度反演模型适宜性分析. 湖泊科学， 27（01）， 150-162.

段洪涛， 闻钰， 张柏， 等. （2006）. 应用高光谱数据定量反演查干湖水质参数研究. 干旱区资源与环境， （06）， 104-108.

王歆晖， 巩彩兰， 胡勇， 等. （2021）. 水质参数遥感反演光谱特征构建与敏感性分析. 光谱学与光谱分析， 41（06）， 1880-1885.

Yi， L.， Zhang， G.， & Zhang， B. （2023）. Application of UAV Push-Broom Hyperspectral Images in Water Quality Assessments for Inland Water Protection： A Case Study of Zhang Wei Xin River in Dezhou Distinct， China. Remote Sensing， 15（9）.

作者简介：王梓诚（2006--），男（汉族），北京中学，高中生，北京市朝阳区，邮编100018

Email；wzczc20060831@126.com

身份证号：140302200608310055