论文部分内容阅读
我国水环境污染问题突出,内陆水体水质的监测对国民健康与食品安全具有非常重要的意义。航空高光谱遥感具有高空间分辨率和高光谱分辨率的特点,为内陆水体的水质快速监测提供了一种准确、有效的方法。本文以灌河水域为研究区域,在航空高光谱影像数据预处理和水质化验数据分析的基础上,研究探讨了内陆水体光学环境下的水质参数估算算法,从光谱特征选择和深度特征提取两个角度构建反演模型,实现了基于航空高光谱遥感影像的水质参数空间分布与污染等级分类,为非光学活性水质参数的精确估算提供了新的解决途径。本文主要工作和结论如下:（1）通过对不同光谱变量和水质参数之间存在的相关性研究,构建了基于光谱特征选择的水质参数估算模型。对水体的光谱进行预处理与相关性分析,发现一阶微分处理后的光谱能够有效突出在原始光谱中难以体现出的特征,并且在600 nm、660 nm、700 nm、770 nm以及820 nm附近对有机参数高锰酸盐指数(CODMn)、总氮（TN）、总磷（TP）存在较高的响应。此外使用波段比值光谱能够在一定程度上消除外部因素以及传感器自身所带来的影响,更好地建立光谱值与水质参数之间的关系,对有机参数CODMn、TN和TP有较高的回归精度。（2）通过对水质参数进行光谱特征分析,发现CODMn和TN受叶绿素a的影响,表现出的吸收与反射特性与叶绿素a一致。TP的光谱特性可能受叶绿素a与悬浮物的共同影响,表现出了不同于CODMn和TN的吸收反射特征。对于水体中含量较少、非光学活性的水质参数,单纯使用光谱特征选择的方法进行建模估算,精度难以得到保证。（3）构建深度神经网络回归模型（Deep Neural Network Regression,DNNR）和卷积神经网络回归模型（Convolutional Neural Network Regression,CNNR）来估算水质参数。与传统回归模型偏最小二乘回归（Partial Least Squares Regression,PLSR）和支持向量回归（Support Vector Regression,SVR）相比,深度回归模型具有更高的精度,尤其是基于影像块的卷积神经网络回归模型,对所有的七个水质参数都有着较高的预测精度,测试集决定系数Rp2均超过0.6,表明了构建的卷积神经网络的鲁棒性和准确性。（4）分析研究区域灌河水域的水质参数浓度空间分布制图与水质等级分类制图,发现由卷积神经网络回归模型得到的污染物浓度空间分布结果图符合空间分布规律和研究区域污染源分布特点,结合实验室测试数据分析与现场调研,发现高污染区域集中在灌河中下游区域,区域分布有两个工业园区和居民区。从水质等级分类图分析,灌河流域整体污染情况严重,其中TN和NH3-N严重超标,整体水质为劣V类,水体富营养化严重。