-
0 引言
-
云龙湖是一座以城市防洪为主，兼顾灌溉、养殖、景观、旅游开发等综合利用的中型水库，位于江苏省徐州市泉山区，是徐州市重要的国家5A级旅游景区和省级风景名胜区．云龙湖的水质不仅关系到城市景观水环境质量，也关系到城镇饮用水源的安全．近年来，随着社会经济的不断发展，排入湖泊的营养物质增多，水质逐渐呈现富营养化趋势，云龙湖周边涉水生态敏感区的开发程度正在逐步提高，环境负荷也在不断增加．因此，进行准确及时的水质监测对云龙湖水污染防治尤为重要．
-
传统的水质监测一般以人工取样分析为主，虽然能够准确地获得多种目标区域的水质数据，但是耗费大量人力物力，成本较高，且遇到特殊情况时人工取样途径受限，影响数据的完整性，如新冠肺炎疫情期间湖中部分区域时有缺测．同时，由于监测点数量有限，人工监测无法全面体现水质分布趋势．随着卫星遥感技术的快速发展，利用卫星影像对湖泊水库等水体进行大范围监测已成为水质分析的有效手段之一[1]．遥感技术由于其监测范围广、周期性强及成本低的特点，被广泛用于长序列水质监测，其中多光谱影像在水质参数定量化研究中具有明显的优势[2]．
-
国内外水质反演的方法主要分为经验法、半经验法、半分析法3种．利用遥感影像与实测水质数据，通过统计回归、神经网络等反演模型进行水质反演的方法被广泛利用．Pan等[3]利用无人机机载高光谱成像仪对胶州湾典型海水养殖区进行检测和测量，选取海水水质、叶绿素-a（Chl-a）浓度和总悬浮物（TSM）浓度等关键参数作为海水富营养化指标，利用最优敏感参数带建立了胶州湾海水（JZBZ）高光谱反演模型．然而，由于水环境复杂，水质往往受多种因素影响，并非简单的线性过程，因此，非线性逼近能力较好的人工神经网络则在水质反演方面具有很强的应用前景．Niu等[4]使用深度学习来精确测量光学活性参数，例如Chl-a、蓝藻和有色溶解有机物（CDOM）．Li等[5]基于Landsat 8影像和实测水质数据，对支持向量机、随机森林回归、人工神经网络等多种机器学习算法进行了对比分析，研究表明多光谱遥感和机器学习算法在热带大规模内陆河流水质反演中具有巨大潜力．Gogu等[6]针对水体含盐量进行了基于神经网络的反演，获得了较好的反演效果．王喆等[7]利用ANN和随机森林算法构建了总氮及高锰酸盐指数的反演模型，取得了较好的效果．李爱民等[8]利用卷积神经网络对天德湖 COD 浓度进行了反演，通过卷积神经网络充分利用遥感影像的光谱特征，提取目标像元周围领域的信息，避免了传统方法带来的不稳定性．Zhang等[9]基于Landsat-8影像利用卷积LSTM模型对山东省东平湖的多种水质参数进行了反演，证明了深度学习和遥感技术在水质监测系统中的实用性．城市水体由于开发程度较高，周边环境较为复杂，对水质的精确反演提出了更高的要求．
-
水质反演的研究对象主要包括氨氮、总磷、总氮、叶绿素、COD、浊度、电导率等水质参数.浊度是对水透明程度的一种测定，可以表征水样中因为大量肉眼可见悬浮物质而造成的混浊情形，是判断水质良好与否最直观的感官性状及物理指标之一，也是水体可能受到污染的重要标志．电导率指水样中的无机盐等可溶性溶质的离子浓度，在固定温度、电极条件下，电导率主要由水溶液中所含离子的总量决定，即与水溶液中所含可电离总盐（盐度）成正比．电导率在一定程度上能够反映水中总磷、总氮、氨氮、COD等指标的含量[10]，可以作为一项综合反映水体健康状况的早期指标，起到“水质红绿灯”的作用．精确反演水体浊度、电导率对城市水污染防治及预警具有重要作用．
-
近年来，水色遥感技术[11-12]取得了很大的进步，基于多光谱或高光谱数据利用经验法和机器学习法构建水体浊度反演模型被广泛应用[13]．李盈盈[14]基于MODIS-Aqua 传感器 Rrc_859—Rrc_1240 反射率数据与观测浊度数据，建立了浊度反演的修正指数模型，验证了BP神经网络方法在辽河口水浊度建模中的可靠性．周屈等[15]基于水色海洋 1C卫星海岸带成像仪数据，利用全局半经验浊度反演算法建立了适用于武汉水体的浊度反演模型，取得了良好的效果．肖潇等[13]利用河流水体浊度多光谱遥感联合反演模型对汉江中下游典型河段进行了浊度反演研究，评估了CM-BP浊度遥感反演模型适用性，也证明了综合利用各种模型所提供的信息而构建的联合反演模型在模拟精度、模型稳定性及扩展性上较单一模型更具优势．
-
相较于浊度，虽然影响电导率的离子多为无色的、没有显著的光谱信息，但离子浓度变化必然伴随着其他水体组分含量的变化[16]，进而影响波段反射率．针对盐度与波段反射率的相关性，前人做了较多的研究．Qing 等[17]对渤海盐度（26.09~32.28）的研究表明，560 nm波段反射率与盐度相关性最大，而490 nm次之．毛智慧等[18]以西藏错鄂湖为例，基于Sentinel-2多光谱影像利用线性回归的方法进行了低盐湖泊盐度反演，表明不同盐度水平会对反演结果产生影响，但对盐度变化梯度有较为全面的采样点覆盖时，对低盐湖泊同样可获得较高的反演精度．赵文杰等[19]利用径向基神经网络建立RBF亮温增量模型，基于 Meissner-Wentz 介电常数模型得到反演后的盐度值，有效提高了反演精度．高明等[20]利用K折交叉验证法，构建了深度神经网络（DNN）模型，对 SMOS 卫星 L2 级数据进行反演，精度优于SMOS盐度产品．
-
本文以云龙湖为研究区域，利用哨兵2号（Sentinel-2）影像和实测水质数据对浊度、电导率两项水质参数指标进行反演．针对支持向量机（Support Vector Machine，SVM））受惩罚系数及核函数参数，以及BP神经网络受权值和阈值影响较大的不足[21]，提出一种利用麻雀搜索算法（Sparrow Search Algorithm，SSA）对SVM的惩罚系数、核函数参数及BP神经网络的权值和阈值同时进行迭代寻优的水质反演耦合模型，建立SSA-BP-SVM模型，并对反演结果进行了对比分析，以期为云龙湖区域利用哨兵2号影像进行水质监测提供一定的理论支撑．
-
1 研究区概况及数据源
-
1.1 研究区概况
-
云龙湖位于江苏省徐州市区西南部奎河上游，三面环山，一面临城．徐州属暖温带半湿润季风气候，四季分明，冬季寒冷干燥，夏季高温多雨．云龙湖以湖中路为界，东湖周长约8.1 km，西湖周长约7 km，全湖周长约12 km，水面面积约6 km2，集水面积60 km2，总库容3 323万m3，死水位为31.5 m，生态水位为32.00 m，湖底平均高程30.2 m，是典型的城市水体．根据近年来水质监测数据，云龙湖水质总体呈轻度富营养状态，且富营养水平呈上升趋势．
-
1.2 遥感数据及处理
-
哨兵2号是高分辨率多光谱成像卫星，分为2A和2B两颗卫星．每5天可完成一次对地球赤道地区的完整成像，具有较高的时间分辨率．哨兵2A与2B卫星的中心波长及光谱宽度均有所差异，如表1所示．本文采用的哨兵二号多光谱影像均为欧空局ESA数据分发系统提供的L2A级产品（https://scihub.copernicus.eu/），影像成像时间范围为2021年1月至2023年4月，挑选了15景清晰无云质量较好的影像．L2A级数据是经过大气校正后的地表反射率产品．影像预处理仅需要使用SNAP9.0软件将各波段统一重采样至10 m空间分辨率，重采样之后，缺少了b10（短波红外-卷云）波段，波段数由13降至12个．
-
1.3 实测数据
-
本文实测数据来源于江苏省水环境监测中心徐州分中心，取样组在东湖、西湖、小南湖均匀布设了14个监测点位，并进行每周1~2次的常态化取样监测，监测点位分布如图1所示．每周取样时间根据Sentinel-2卫星过境时间动态调整，水质取样组于卫星过境当天乘坐快艇根据GPS定位前往目标区域进行水质取样并进行水样分装．浊度仪使用美国哈希公司生产的2100Q，精度为0.01 NTU; 电导率仪使用上海精密科学仪器有限公司生产的DDS-307，精度为±1%．校准仪器后进行现场测定，并记录数据．受限于疫情及取样快艇等因素，部分取样时间无法完全实现星地同步，但误差有限．15次取样合计获取210个点位水质数据．数据精度和准确度均符合SL78-1994电导率的测定（电导仪法）、HJ 1075-2019水质浊度的测定-浊度计法相关规定．
-
2 研究方法
-
2.1 相关性分析
-
遥感技术应用于水质参数浓度反演的原理是基于不同水质参数在水体中的含量差别，会通过在遥感影像上的不同反射率表现出来．同时，不同参数对各波段的影响也是不同的．因此，通过选择对水质参数浓度变化比较敏感的水质反演因子，可以提高水质参数反演的精确度．本文利用皮尔森相关系数法[22]，对影像数据各波段及波段组合等水质反演因子与实测水质数据进行相关性分析:
-
式中：r为相关系数；n为样本数目；X为水质反演因子；Y为水质参数．
-
各波段光谱值与水质参数的相关性计算结果如图2—4所示．
-
结果表明，Sentinel-2A/2B影像各波段与电导率、浊度均成正相关，敏感波段为可见光及短波红外波段，相关系数明显高于植被红边波段．为了提高水质参数与反演因子的相关性，尝试组合各波段数据并进行相关性分析，波段组合包括四项运算及NDWI（归一化水体指数）、MNDWI（改进型归一化水体指数）、EWI（增强型水体指数）等常用的水体指数．因波段组合数量较多，仅展示其中相关系数较高的波段组合，如表2所示．
-
图1 云龙湖遥感影像图及采样点分布
-
Fig.1 Remote sensing image map and sampling point distribution of Yunlong Lake
-
由表2可知，波段组合中仅（b8-b4）/（b8+b4）提升了与浊度的相关系数，因此，电导率及浊度可以直接利用单波段并结合（b8-b4）/（b8+b4）进行反演．
-
2.2 BP神经网络模型
-
BP神经网络[23]网络架构如图5所示．传统BP神经网络的初始权值和阈值都是随机产生的，然后通过梯度递减的方法不断修正．如果随机到一个不好的初始权值，就会导致网络的收敛变慢，而零梯度意味着达到局部最优，迭代就会停止．因此，初始权值和阈值在很大程度上影响了神经网络的性能．
-
图2 水质参数及单波段相关系数
-
Fig.2 Water quality parameters and single-band correlation coefficient
-
图3 电导率相关系数
-
Fig.3 Line chart of conductivity correlation coefficient
-
2.3 支持向量机（SVM）
-
在支持向量机（Support Vector Machine，SVM）[24]中，惩罚系数C被用来表征模型泛化能力，核函数参数σ反映了训练数据分布特性．C 取值过小则易导致网络欠拟合，训练样本误差大; C 取值过大则网络过拟合，导致网络泛化能力差．σ代表RBF带宽，σ取值越小则拟合误差越小，但过小的σ值会导致模型过拟合[25]．因此，确定最优的惩罚系数C及核函数参数σ能够提高SVM的拟合性能．
-
2.4 SSA-BP-SVM耦合模型
-
近年来，群体智能优化算法在各个研究领域被广泛应用，其主要特点是可以降低输入的参数量，能够进行全局寻优[26]．麻雀搜索算法（SSA）[27]受到麻雀觅食和反捕食的启发，将麻雀集群划分为生产者和乞讨者，生产者有足够的能力寻找食物，而没有能力的则称为乞讨者，生产者负责寻找食物丰富的区域，乞讨者跟随生产者前往觅食区域．麻雀种群一旦发现捕食者，警报值大于安全阈值时，就集体做出反捕食行为．生产者位置更新如下:
-
图4 浊度相关系数
-
Fig.4 Broken line chart of turbidity correlation coefficient
-
图5 神经网络结构
-
Fig.5 Structure of neural network
-
式中:t为迭代数; j代表维度; tmax为最大迭代数; Xij为第i个麻雀在第j维中的位置; α为0至1的随机数; R2为预警值，取值范围为[0，1]; TS为安全值，取值范围为[0.5，1]; Q为服从正态分布的随机数; L是一个1×d维矩阵．
-
加入者位置更新如下:
-
式中:Xp为目前生产者发现的最优位置; Xworst为当前全局最差位置; A是1×d维矩阵，每个元素随机赋值1或者-1，A+=AT（AAT）-1．当i＞n/2时，表明适应度低的乞讨者没有获得食物，需要前往其他地方觅食．假定意识到危险的麻雀占总量的10%~20%，随机产生这些麻雀的位置，其位置更新如下:
-
式中:Xbest为当前全局最优位置; β 为步长控制参数，服从均值为0、方差为1的正态分布随机数; K为随机数，取值范围为[0，1]; fi为麻雀的适应度值，fg和fw分别为当前全局最优和最差的适应度值; ε 为常数．
-
基于SSA-BP-SVM神经网络进行水质反演模型建立的具体流程如下:
-
1）根据单波段及波段组合的皮尔森相关系数可知，电导率与将相关系数大的单段及波段组合作为输入层，将水质参数作为输出层．12月5日、1月29日、3月10日数据作为测试集，其余数据按照2∶1的比例划分为训练集和验证集．在模型建立之前需要对样本进行归一化处理，以加快神经网络的收敛速度，使网络具有更好的拟合效果．
-
2）优化BP神经网络:双曲正切函数 sigmoid作为传递函数，将trainglm 作为训练函数，线性函数 purelin 作为输出层函数，并确定隐含层层数及节点数．期望误差设置为0.001，将学习速率设置为 0.000 1，根据经验公式（5）来确定神经节点的数量:
-
式中:p为隐含层节点数；n为输入层节点数；m为输出层节点数；k为1~10之间的调节常数．确定电导率经网络结构为[6，10，1]，浊度神经网络结构为[6，8，1]．确定麻雀种群数量及进化次数，训练BP神经网络模型，并计算各个麻雀的适应度值MSE．根据公式计算并更新生产者、乞讨者、警戒者的位置．通过迭代，获得最优麻雀位置，将其作为BP神经网络的权值，输出全局最优解，将其作为各层的阈值．
-
3）优化SVM:初始化SVM的相关参数，包括惩罚系数C和核函数参数σ，计算每个麻雀的适应度值并排序确定麻雀种群，然后更新麻雀位置并计算新的适应度，同时，与更新前的适应度对比，保留更优的适应度继续进行更新，最优适应度的位置就是SVM的惩罚系数C和核函数参数σ．
-
4）SSA-BP-SVM耦合:利用BP神经网络、SVM进行训练，分别计算BP神经网络、SVM验证组的MAE值MAE1、MAE2，利用式（6）进行误差判断．如果误差系数h大于给定的误差阈值，则选择MAE最小的模型进行训练，其输出值作为最终预测值; 如果h小于设定的误差阈值，则根据式（7）、（8）分别计算BP神经网络、SVM的权重QBP、QSVM，将各模型测试集的预测值YBP、YSVM按式（9）进行加权，获得最终预测值Ypre．误差阈值由经验确定，一般取值为5%．具体流程如图6所示．
-
2.5 模型精度评价
-
利用RMSE、R2指标对反演结果进行精度评价，以评估反演精度[28]．公式如下:
-
式中:Y为模型反演预测值；X为水质参数实测值；n为样本数量．R2越接近1，RMSE越小，说明反演精度越高．
-
3 反演结果与分析
-
3.1 模型对比
-
利用BP、SVM、SSA-BP[29]、SSA-SVM[30]、SSA-BP-SVM模型分别对浊度、电导率进行反演．其中，BP、SVM模型超参数通过试错法反复训练确定．5种模型训练情况如图7所示，模拟结果误差如表3所示．
-
图6 SSA-BP-SVM流程
-
Fig.6 SSA-BP-SVM flow chart
-
由图7、图8及表3可以看出，各模型均有效地对电解度及浊度进行了反演，本文提出的SSA-BP-SVM模型反演结果表现最优．从拟合结果可看出，在电导率及浊度值较高时，反演误差有所增加，这是由于训练样本中高值区样本占比很低，单一训练模型对样本有较大的依赖性，导致在高值区拟合精度不佳．而SSA-BP-SVM模型有效提高了高值区的反演精度，表明模型稳定性较强．
-
因此选取SSA-BP-SVM模型对云龙湖电导率及浊度进行反演，进而得到水质参数分布情况．
-
3.2 水质参数分布
-
利用SSA-BP-SVM水质反演模型对测试组电导率及浊度进行反演，分布情况分别如图8、图9所示．
-
3.3 云龙湖水质参数变化分析
-
从电导率空间分布情况（图8）可以看出，小西湖、西湖及小南湖区域电导率明显高于东湖，且从小西湖及小南湖区域呈现向湖中扩散的趋势．根据现有水文资料，军民河、玉带河和王窑河是云龙湖的主要补水河道，其中玉带河水量最大，经南望净水厂处理后排入云龙湖，对云龙湖水质有较大影响．结合玉带河净水厂取样点水质数据进行分析，净水厂取样点电导率显著高于湖中平均值，并沿着小西湖、西湖逐步降低，图8电导率分布趋势与实测数据相符．从时间变化趋势来看，2022年12月至2023年3月，云龙湖电导率整体呈下降趋势，电导率值与补水频率成负相关．
-
从浊度空间分布情况（图9）可以看出，靠近云龙湖东湖东岸及南岸水域浊度明显高于其他区域，呈现近岸浊度高、离岸浊度低的分布趋势.由于该区域距补水河道较远，水体更新缓慢，污染物积聚导致浊度不断提升，而靠近补水河道入湖口的区域浊度显著低于平均水平，净水厂取样点多年浊度平均值低于5 NTU．考虑到小南湖人员生产活动相较于东湖区域更高，但浊度却显著低于东湖，表明补水是浊度降低的重要因素．而降雨径流使大量固体颗粒进入水体，颗粒污染物作为降雨径流的主要污染物，主要来自轮胎磨损颗粒、筑路材料磨损颗粒、运输物品的泄漏、刹车连接装置产生的颗粒、大气降尘、其他与车辆或游船运行有关的颗粒物等．颗粒污染物是有机物和磷的主要载体，进入水体后造成浊度升高[31]．从时间变化趋势看，浊度整体成上升趋势，且从2022年1月29日至2023年3月10日浊度提升较大．东湖分布有水族展览馆、荷园等10余处旅游景点及酒店、游船码头等设施，该区域相较于西湖，其旅游开发程度更高，2022年12月7日新冠肺炎疫情“国十条”公布之后，社会经济生产逐渐开始复苏，工商业活动逐步增加，湖东路车辆及东湖游船数量显著提升，与东湖浊度提升趋势同步．因此可以认为云龙湖主要污染源集中于降雨径流带来的颗粒污染物，而河道补水水质较好，是云龙湖水质提升的重要因素．
-
4 结语
-
针对传统BP神经网络存在收敛缓慢、容易陷入局部最优，SVM受惩罚系数及核函数参数影响较大的不足，提出一种通过麻雀搜索算法对BP神经网络、SVM进行超参数寻优的水质反演模型——SSA-BP-SVM，并利用Sentinel-2A/2B数据，对云龙湖区域的电导率及浊度进行了反演，并对水质分布及变化趋势进行了分析．
-
图7 电导率及浊度拟合示意图
-
Fig.7 Schematic diagram of conductivity and turbidity fitting
-
图8 电导率分布
-
Fig.8 Conductivity distribution
-
图9 浊度分布
-
Fig.9 Turbidity profile
-
结论如下:
-
1）通过对Sentinel-2A/2B影像的单波段数据与实测水质数据进行相关性分析，得到电导率和浊度的敏感波段，并尝试进行波段组合以增强波段相关性，结果表明电导率和浊度的敏感波段均为可见光波段和短波红外波段．
-
2）利用BP、SVM、SSA-BP、SSA-SVM、SSA-BP-SVM对水质参数进行反演，根据精度评价结果，SSA-BP-SVM模型更适用于电导率及浊度反演，精度显著优于其他模型，并且在高值区样本数量较低的情况下，有效地降低了高值区的反演误差，比其他4种反演模型具有更强的稳定性．
-
3）云龙湖作为典型的城市水体，浊度受周边区域降雨径流带来的颗粒污染物影响程度较高，电导率受玉带河净水厂补水水质影响较大，枯水期由于补水较少，电导率整体呈下降趋势; 浊度随着人类生产生活的恢复，车辆、游船数量显著提升，呈明显上升趋势．
-
目前利用遥感影像对水质进行反演的问题还很多，如高分遥感影像获取较为困难，而利用中低分辨率影像对城市细小水体进行水质反演时容易受到混合像元影响，反演精度不高．此外，水质数据受季节影响明显，因此，对水质时间序列预测方面，有必要开展更进一步的研究．
-
参考文献
-
[1] 周婷,刘小妮,戚王月,等.基于GF1卫星影像的巢湖蓝藻时空演变特征分析[J].华北水利水电大学学报(自然科学版),2020,41(3):62-66.ZHOU Ting,LIU Xiaoni,QI Wangyue,et al.Temporal and spatial evolution characteristics of cyanobacteria in Chaohu Lake based on GF1 satellite imagery[J].Journal of North China University of Water Resources and Electric Power(Natural Science Edition),2020,41(3):62-66
-
[2] 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,2020,37(5):92-97,104.WANG Xinhui,TIAN Hua,JI Tiemei,et al.Remote sensing monitoring method for comprehensive water quality index in rivers based on Sentinel-2 satellite[J].Aerospace Shanghai,2020,37(5):92-97,104
-
[3] Pan X,Wang Z J,Ullah H,et al.Evaluation of eutrophication in Jiaozhou Bay via water color parameters determination with UAV-borne hyperspectral imagery[J].Atmosphere,2023,14(2):387
-
[4] Niu C,Tan K,Jia X P,et al.Deep learning based regression for optically inactive inland water quality parameter estimation using airborne hyperspectral imagery[J].Environmental Pollution,2021,286:117534
-
[5] Li N,Ning Z Y,Chen M A,et al.Satellite and machine learning monitoring of optically inactive water quality variability in a tropical river[J].Remote Sensing,2022,14(21):5466
-
[6] Gogu R,Carabin G,Hallet V,et al.GIS-based hydrogeological databases and groundwater modelling[J].Hydrogeology Journal,2001,9(6):555-569
-
[7] 王喆,连炎清,李晓娜,等.基于机器学习的浐灞河水质参数遥感反演研究[J].人民长江,2022,53(9):13-18.WANG Zhe,LIAN Yanqing,LI Xiaona,et al.Research on remote sensing inversion of water quality parameters in Chanhe River and Bahe River based on machine learning[J].Yangtze River,2022,53(9):13-18
-
[8] 李爱民,范猛,秦光铎,等.卷积神经网络模型的遥感反演水质参数COD[J].光谱学与光谱分析,2023,43(2):651-656.LI Aimin,FAN Meng,QIN Guangduo,et al.Water quality parameter COD retrieved from remote sensing based on convolutional neural network model[J].Spectroscopy and Spectral Analysis,2023,43(2):651-656
-
[9] Zhang H W,Xue B L,Wang G Q,et al.Deep learning-based water quality retrieval in an impounded lake using Landsat 8 imagery:an application in Dongping Lake[J].Remote Sensing,2022,14(18):4505
-
[10] Zhang Y,Duan H P,Sun A L,et al.Rural sewage treatment techniques mode and purifying effect of nitrogen and phosphorus in Jiangsu province,China[J].Journal of Agro-Environment Science,2013,32(1):172-178
-
[11] 侯琳琳,马安青,胡娟,等.胶州湾水体悬浮物浓度遥感反演模式优化研究[J].中国海洋大学学报(自然科学版),2018,48(10):98-108.HOU Linlin,MA Anqing,HU Juan,et al.Study on remote sensing retrieval model optimization of suspended sediment concentration in Jiaozhou Bay[J].Periodical of Ocean University of China,2018,48(10):98-108
-
[12] 陈祥舰,刘洪霞,张德强,等.胶州湾海域海水浊度和悬浮物粒径分布及遥感反演模型[J].海洋科学,2023,47(4):54-68.CHEN Xiangjian,LIU Hongxia,ZHANG Deqiang,et al.Remote sensing inversion model of seawater turbidity and suspended particle size based on multispectral data[J].Marine Sciences,2023,47(4):54-68
-
[13] 肖潇,徐坚,赵登忠,等.基于国产卫星多光谱影像的河流水体浊度遥感联合反演研究[J].长江科学院院报,2021,38(6):128-136.XIAO Xiao,XU Jian,ZHAO Dengzhong,et al.Combined remote sensing retrieval of river turbidity based on Chinese satellite data[J].Journal of Yangtze River Scientific Research Institute,2021,38(6):128-136
-
[14] 李盈盈.辽河口浊度遥感反演及时空变化分析[D].大连:大连理工大学,2022.LI Yingying.Water turbidity retrieval and spatial-temporal analysis based on remote sensing data in the Liao River estuary[D].Dalian:Dalian University of Technology,2022
-
[15] 周屈,刘建强,王剑茹,等.利用HY-1C卫星CZI数据在COVID-19疫情期间武汉知音湖和黄家湖的浊度监测研究[J].武汉大学学报(信息科学版),2020,45(5):676-681.ZHOU Qu,LIU Jianqiang,WANG Jianru,et al.Water turbidity monitoring of Zhiyin and Huangjia Lakes in Wuhan for COVID-19 epidemic using HY-1C CZI data[J].Geomatics and Information Science of Wuhan University,2020,45(5):676-681
-
[16] 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(6):40-47.HE Yingqing,FENG Youbin,FU Qinghua,et al.A study on optical remote sensing inversion of sea surface salinity in the Pearl River estuary[J].Geography and Geo-Information Science,2020,36(6):40-47
-
[17] Qing S,Zhang J,Cui T W,et al.Retrieval of sea surface salinity with MERIS and MODIS data in the Bohai Sea[J].Remote Sensing of Environment,2013,136:117-125
-
[18] 毛智慧,丁放,袁立来,等.基于Sentinel-2多光谱遥感的低盐湖泊盐度反演:以西藏错鄂湖为例[J].中国水产科学,2022,29(3):355-364.MAO Zhihui,DING Fang,YUAN Lilai,et al.Salinity inversion of a low salinity lake based on Sentinel-2 multispectral remote sensing:a case study of the Co Ngoin Lake in Tibet[J].Journal of Fishery Sciences of China,2022,29(3):355-364
-
[19] 赵文杰,李洪平,刘海行.SMAP卫星的RBF神经网络海表盐度遥感反演[J].海洋科学进展,2022,40(3):513-522.ZHAO Wenjie,LI Hongping,LIU Haixing.Remote sensing retrieval of sea surface salinity based on RBF neural network from SMAP satellite[J].Advances in Marine Science,2022,40(3):513-522
-
[20] 高明,黄贤源,王芳,等.基于深度神经网络的海表盐度反演[J].海洋科学进展,2022,40(3):496-504.GAO Ming,HUANG Xianyuan,WANG Fang,et al.Sea surface salinity inversion based on DNN model[J].Advances in Marine Science,2022,40(3):496-504
-
[21] 李慧,周轶成.未确知测度BP神经网络模型在黑河流域水质预测中的应用[J].水文,2014,34(3):66-69.LI Hui,ZHOU Yicheng.Unascertained measure BP neural network model for water quality prediction in Heihe River basin[J].Journal of China Hydrology,2014,34(3):66-69
-
[22] 马振,周密.聚类分析在秦淮河水质指标相关性研究中的应用[J].水文,2018,38(1):77-80.MA Zhen,ZHOU Mi.Application of cluster analysis in correlation study on water quality indexes[J].Journal of China Hydrology,2018,38(1):77-80
-
[23] 赵玉芹,汪西莉,蒋赛.渭河水质遥感反演的人工神经网络模型研究[J].遥感技术与应用,2009,24(1):63-67.ZHAO Yuqin,WNAG Xili,JIANG Sai.Study on neural network model for Weihe River water quality retrieving using remote-sensing image[J].Remote Sensing Technology and Application,2009,24(1):63-67
-
[24] 王海峰,行鸿彦,陈梦,等.基于SSA-SVM的海杂波背景下小信号检测方法[J].电子测量与仪器学报,2022,36(4):24-31.WANG Haifeng,XING Hongyan,CHEN Meng,et al.Small signal detection method based on SSA-SVM model in sea clutter[J].Journal of Electronic Measurement and Instrumentation,2022,36(4):24-31
-
[25] 崔东文,郭荣.HTS算法与GRNN、SVM耦合模型在径流预测中的应用[J].华北水利水电大学学报(自然科学版),2018,39(5):73-81.CUI Dongwen,GUO Rong.Application of HTS algorithm,GRNN and SVM coupling model in runoff prediction[J].Journal of North China University of Water Resources and Electric Power,2018,39(5):73-81
-
[26] 孟彩霞,吴迪,雷雨.基于麻雀搜索算法优化的BP神经网络卫星钟差预报[J].大地测量与地球动力学,2022,42(2):125-131.MENG Caixia,WU Di,LEI Yu.BP neural network for satellite clock bias prediction based on sparrow search algorithm[J].Journal of Geodesy and Geodynamics,2022,42(2):125-131
-
[27] Xue J K,Shen B.A novel swarm intelligence optimization approach:sparrow search algorithm[J].Systems Science & Control Engineering,2020,8(1):22-34
-
[28] 吴欢欢,国巧真,臧金龙,等.基于Landsat 8与实测数据的水质参数反演研究[J].遥感技术与应用,2021,36(4):898-907.WU Huanhuan,GUO Qiaozhen,ZANG Jinlong,et al.Study on water quality parameter inversion based on Landsat 8 and measured data[J].Remote Sensing Technology and Application,2021,36(4):898-907
-
[29] 吕富强,唐诗华,张炎,等.SSA-BP神经网络在无人机点云孔洞修补的应用[J].测绘通报,2023(5):130-134.LÜ Fuqiang,TANG Shihua,ZHANG Yan,et al.Application of SSA-BP neural network in UAV point cloud hole repair[J].Bulletin of Surveying and Mapping,2023(5):130-134
-
[30] 郝婧,刘强.基于SSA-SVM模型的台风风暴潮灾害损失评估[J].海洋地质前沿,2022,38(11):65-72.HAO Jing,LIU Qiang.Loss assessment of typhoon storm surge disaster based on SSA-SVM model[J].Marine Geology Frontiers,2022,38(11):65-72
-
[31] 万蕾,孙晓虎.云龙湖水质状况统计学分析[J].苏州科技大学学报(工程技术版),2020,33(4):41-46,52.WAN Lei,SUN Xiaohu.Statistical analysis of water quality change in Yunlong Lake[J].Journal of Suzhou University of Science and Technology(Engineering and Technology),2020,33(4):41-46,52
-
摘要
利用遥感技术进行水质监测,全面地掌握水质分布情况对水环境保护具有重要意义．水质参数与地表反射率并非简单的线性关系,BP神经网络和支持向量机(SVM),因其非线性模拟的特点,被广泛应用于水质反演．传统BP神经网络存在收敛缓慢、容易陷入局部最优的问题;SVM虽然具有很好的拟合能力,但受惩罚系数及核函数参数影响较大．以云龙湖为研究区域,利用Sentinel-2影像和实测数据,针对重要水质参数电导率和浊度,提出一种基于麻雀搜索算法(SSA)优化BP神经网络及SVM的水质反演耦合模型,利用SSA对BP神经网络及SVM进行参数寻优,基于验证集MAE计算模型权重,对SSA-BP、SSA-SVM模型测试组输出层加权计算后获得最终反演结果．与BPNN、SVM、SSA-BP、SSA-SVM模型对比，结果表明:1)Sentinel-2影像对电导率及浊度的敏感波段均为可见光及短波红外波段;2)SSA-BP-SVM水质反演耦合模型精度更高,电导率及浊度反演模型R2分别为0.92、0.89;3)云龙湖具有典型的城市水体特征,电导率受上游南望净水厂排水影响较大,浊度受社会生产活动带来的颗粒污染物影响较大．基于Sentinel-2影像利用SSA-BP-SVM模型进行水质反演具有较好的应用潜力,能够为云龙湖水质监测以及制定保护措施提供一定的技术支撑．
Abstract
The timely and accurate monitoring of water quality via remote sensing is of great significance to water environment protection.However,the relationship between water quality parameters and surface reflectance is not a simple linear one.BP neural network and Support Vector Machine (SVM) have been widely used in water quality inversion for their nonlinear simulation characteristics,yet traditional BP neural network is perplexed by slow convergence and being easy to fall into local optimum,while SVM is greatly affected by penalty coefficient and kernel function parameter.Here,a coupled model using Sparrow Search Algorithm (SSA) to optimize BP neural network and SVM is proposed to retrieve water quality parameters of conductivity and turbidity in Yunlong Lake from Sentinel-2 images.SSA is used to optimize the parameters of BP neural network and SVM,the model weight is calculated based on verification set MAE,and the final inversion results are obtained after the weighted calculation of output layer of SSA-BP and SSA-SVM model test group.And comparisons are carried out between the proposed SSA-BP-SVM model and BPNN,SVM,SSA-BP,and SSA-SVM models.The results show that,the sensitive bands of Sentinel-2 image to conductivity and turbidity are visible light and shortwave infrared;the proposed model of SSA-BP-SVM is more precise with the R2 of the inverted conductivity and turbidity being 0.92 and 0.89,respectively;the Yunlong Lake is a typical urban water body with conductivity being greatly affected by the drainage from upstream water treatment plant and turbidity being greatly affected by particulate pollutants from social production activities.The proposed SSA-BP-SVM model has good application potential in water quality inversion from Sentinel-2 image,which can provide technical support for water quality monitoring and protection of Yunlong Lake.
