摘要：從遙感數據、反演方法和水質參數三方面綜述了水質遙感監測的研究進展，介紹了國內外常用遙感數據，對比了分析法、經驗法、半經驗法、機器學習和綜合法5種反演方法的優缺點，總結了葉綠素a、懸浮物、有色可溶性有機物等光敏參數和非光敏參數的研究進展。目前在內陸水體水質遙感監測研究中還存在衛星傳感器的針對性、反演算法的時空局限性、水質參數光譜特征的復雜性、大氣校正的精確性和特殊類型水體的水質監測等問題;指出未來水質遙感監測應圍繞新型遙感數據、通用反演模型、不同光譜特征、精確大氣校正和特殊水體分類等方面開展。

　　關鍵詞：水質監測;內陸水體;遙感數據;反演方法;水質參數

　　隨著全球氣候變化和人類活動的影響，許多內陸水體面臨水質下降、水體富營養化和水生態系統破壞等一系列問題[1]。水質監測作為水生態環境管理的一個重要環節，可以有效保護水環境、控制水污染和維護水環境的健康[2]。傳統水質監測主要采用現場水樣采集和實驗室測定的方法，雖然可監測的參數多，精度較高，但費時費力，經濟成本高昂，并且單點尺度的水質難以代表整個水域的水質狀況。

　　遙感技術具有范圍廣、速度快和低成本等優勢，滿足實時和大尺度的水質監測需求[3]，同時可以揭示常規方法難以發現的污染物和污染物的遷移和分布特征。水質遙感監測通過研究衛星遙感數據和實測水質數據之間的關系，構建水質參數的反演模型[4]，以此獲取整個水域水質的空間分布和變化。

　　水質檢測論文范例：農村安全供水水質監測研究

　　1自20世紀70年代以來，水質遙感監測逐漸從定性分析發展到定量反演，建立了分析、經驗、半經驗和機器學習等多種反演模型，大量新型衛星的發射為水質監測提供了更多遙感數據源，多種水質參數的反演取得了優異成果[5-6]。但是，與海洋遙感監測相比，水域光學復雜性、衛星傳感器針對性、大氣校正精確性以及其它一些尚未解決的問題給內陸水體水質遙感監測帶來了諸多挑戰，因此需要進一步促進對內陸水體水質遙感監測研究的理解和應用。本文從遙感數據、反演方法和水質參數三方面闡述內陸水體水質遙感監測研究的研究進展，提出當前水質遙感監測研究中存在的主要問題以及未來工作需要關注的重點，以期為內陸水體的水質監測提供參考。

　　1水質遙感監測常用數據源

　　遙感數據源分為多光譜數據源和高光譜數據源。在內陸水體的水質遙感監測中，常用的多光譜數據源包括美國陸地衛星系列(Landsat1-8)、中分辨率成像光譜儀(moderateresolutionimagingspectroradiometer，MODIS)和Sentinel-2。高光譜數據源可以在一定程度上提高水質反演的準確性與精度，但覆蓋范圍小，監測成本高[7]，因此對大面積的內陸水體進行全面觀測存在缺陷。由于Landsat系列、MODIS和Sentinel-2均為免費的多光譜數據源，而國產衛星系列在近幾年發展迅速，本文重點闡述這三種遙感數據源和部分國產衛星系列在內陸水體水質監測中的應用。

　　1.1Landsat系列

　　多光譜掃描儀(MultispectralScanner，MSS)是Landsat1-5和Landsat7攜帶的傳感器。Carpenter[8]利用MSS對淡水湖的濁度和藻類色素濃度進行了建模和預測，證明了該數據源可用來反演水體中的水質參數。

　　但MSS影像波段較寬，空間分辨率較低，不適合用于監測葉綠素含量較低、懸浮物含量很高的內陸水體[9]。專題制圖儀(ThematicMapper，TM)是Landsat4和Landsat5攜帶的傳感器。自發射至今，TM工作狀態良好，數據獲取便利，雖然不是專門針對內陸水體水質遙感研究，但仍因其較高的空間、光譜和輻射分辨率在內陸水體水質監測中被廣泛使用。Hafeez等[10]通過比較LandsatTM反射率數據和原位反射率數據評估多種機器學習模型的性能，結果表明神經網絡模型可用于利用光學復雜的沿海水域的衛星數據改善水質監測和評估。增強型專題制圖儀(EnhancedThematicMapperPlus，ETM+)是Landsat7攜帶的傳感器。

　　ETM+因增加了一個全色波段，在紅外波段的分辨率更高，數據信息量更豐富。Lin等[11]測試由LandsatETM+和機器學習算法確定湖泊藻類生物量的準確性，結果表明該模型在分析藻類狀況的時間變化方面很有效。但Landsat7的掃描行校正器(ScanLinesCorrector，SLC)曾發生故障，致使部分圖像出現重疊和丟失[12]，異常數據需要通過模型校正，這限制了其在水質遙感監測中的應用。

　　陸地成像儀(OperationalLandImager，OLI)-熱紅外傳感器(ThermalInfraredSensor，TIRS)是Landsat8攜帶的傳感器。與ETM+相比，OLI增加了一個短波近紅外波段，主要用于卷云檢測和數據質量評價等，TIRS主要用于地表溫度反演和土壤濕度評價等。Landsat8波段組合多，數據應用范圍廣。Cao等[13]基于Landsat8影像，利用極限梯度增強樹模型開發了一種估計渾濁的湖水中葉綠素a的算法，繪制了2013-2018年中國東部數百個大于1km2的湖泊中葉綠素a的時空變化。

　　1.2MODIS

　　MODIS是搭載在美國EOS衛星上最重要的光學傳感器，可用于對陸表、生物圈、固態地球、大氣和海洋進行長期全球觀測[14]。MODIS具有較高的時間分辨率，其中Terra和Aqua衛星分別在一天中的上午和下午過境，觀測整個地球表面。MODIS數據接收相對簡單，全球免費獲取，相比其他衛星遙感數據提供了有助于輻射校正的大氣廓線數據，在未來的水質監測中具有巨大的發展潛力。

　　Chang等[15]利用MODIS影像和遺傳規劃模型研究了美國坦帕灣總磷的時空變化規律，闡明了由自然災害和人為擾動引起的耦合動態影響。Wang等[16]利用2000—2017年MODIS數據揭示了中國水質清晰度的長期時空變化趨勢，探討了不同地區的湖泊清晰度和經濟發展以及氣候變化的關系。

　　2水質遙感監測方法

　　20世紀70年代初遙感監測技術開始應用于水體研究，從單一的水域識別逐漸發展到水質參數的定量反演。20世紀80年代后，多光譜數據和高光譜數據的涌現推動了遙感技術的快速進步，隨著水質參數的光譜特性和算法研究的不斷深入，水質遙感監測方法經歷了分析法、經驗法、半經驗法、機器學習和綜合法的發展歷程。

　　2.1分析法

　　分析法是以生物-光學模型為基礎的水質反演方法。該方法通過輻射傳輸模型模擬光在大氣和水體中的傳播過程，利用遙感測得的水體反射率計算水質參數的特征吸收系數和后向散射系數，建立反射光譜與水質參數之間的關系[22]。分析法具有嚴格的物理意義，模型穩定性好，反演精度較高，適用性強，不需要大量的地面實測水質數據作支撐。

　　但這一方法基于已知水體中水質參數的光譜特性，在初次建立模型時需要測量固有光學量和表觀光學量，如Li等[23]在淺水內陸有色可溶性有機物的時空變化研究中測量了CDOM吸收系數和不同波長的遙感反射率等。這些參數需要通過實驗手段或野外觀測得出，其中部分參數隨監測水域的不同而變化[24]，因此分析法在水質監測實際應用中的效果并不理想。

　　2.2經驗法

　　經驗法是以多光譜遙感數據為基礎的水質反演方法。該方法依據遙感影像數據和地面實測數據之間的關系，選取相關系數最高的波段或波段組合用于統計回歸分析，獲得水質參數的最佳反演模型。Majid等[25]利用經驗算法和神經網絡算法估算香港沿海地區的葉綠素a和懸浮物濃度，其中用到的波段組合方法包括相加、相減、相乘、相除、平均和取對數。

　　經驗法利用簡單易用的回歸模型構建相對復雜的關系，在一定程度上能提高水質反演的精度，但也存在一些缺陷[26]。首先，經驗法容易受到地域和時間的限制，通用性較差;其次，經驗法需要以大量實測數據為基礎才能達到理想的水質反演精度;此外，經驗法在實測數據的影響下只能反演一定濃度范圍內的水質參數，超出這個范圍后，反演結果的誤差明顯增大;最后，經驗法因缺乏物理依據往往導致遙感影像和水質數據的關系得不到有效保證，模型的準確性難以保障。

　　2.3半經驗法

　　半經驗法是以高光譜遙感數據為基礎的水質反演方法。該方法通過水質參數的光譜特征和實測數據的關系獲得最佳波段或波段組合，選取合適的數學統計分析模型(線性回歸、指數/對數函數回歸、多項式回歸、主成分分析和聚類分析等)反演水質參數。林劍遠[27]利用半經驗法定量反演城市河網水質，建立了四種水質參數的線性、二次多項式、指數和冪模型。半經驗法充分利用了水質參數的光譜特征，兼顧了遙感影像數據和實測水質數據之間的統計關系[28]，是目前最常用的水質反演方法。但半經驗法仍有較強的時空局限性，針對不同類型、不同地區和不同季節的水體需要尋找合適的數學統計模型，提高模型的通用性。

　　2.4機器學習

　　機器學習是指通過某些算法指導計算機利用已知數據得出適當模型，并利用此模型對新數據進行分析或者預測的過程[29]。近年來，隨著人工智能技術的發展，越來越多的研究把機器學習理論融入到水質遙感監測中。水體中復雜的光譜特征導致水質遙感監測在本質上是一個非線性的反演過程。機器學習具有較強的適應性、組織性和容錯性，可以通過持續不斷的學習、校正和誤差反饋提升遙感反演模型的精度和泛化能力，正適合模擬遙感影像和水質參數間錯綜復雜的關系。

　　目前，應用于水質反演的機器學習模型包括隨機森林[30]、支持向量機[31]、神經網絡[32]等。機器學習在許多水質遙感監測研究中表現優異，但構建遙感反演模型需要大量的訓練樣本，同時校正參數會增加模型訓練的時間成本，因此如何平衡模型復雜程度和計算效率至關重要[33]。此外，機器學習的理論基礎有待完善，模型結果的可解釋性有待提高，模型的普遍適用性有待增強。

　　2.5綜合法

　　單一的水質遙感監測方法均存在各自的局限性，如葉綠素a的經驗模型通常基于與其光吸收和發射特性相關的物理原理，一般依賴光譜波段中的綠色、藍色、紅色和近紅外波段[34]。但不同水體的物理特征、組成成分和藻類種群具有很大差異，這些因素都會影響經驗模型的適用性。綜合法是指通過比較或結合幾種甚至更多的水質遙感監測方法，發揮每種水質監測方法的優勢，在充分利用水質參數光譜特征的基礎上提高水質反演精度，增強模型的通用性。

　　Hansen[35]使用經驗法和多元線性逐步回歸方法建立葉綠素a分季節的遙感反演模型，結果表明與傳統的經驗模型相比，數據驅動的機器學習方法在模型擬合上有良好的改進，利用其它波段所含信息有助于解釋湖泊特定的光學特性，如懸浮物、水色組分和季節特定的藻類種群。Pahlevan等[36]通過高光譜數據反演不同區域的葉綠素a，選擇傳統的固有光學量和葉綠素a算法與混合密度網絡算法做對比，顯著改進了葉綠素a的反演結果，證明了混合密度網絡模型產生內陸和沿海水域高精度水生遙感產品的潛力。

　　3水質遙感監測參數

　　根據水中物質對光輻射的吸收和散射性質，水質遙感監測參數分為光敏參數和非光敏參數。光敏參數是指有明顯光學特性的水質參數，主要包括葉綠素a、懸浮物和有色可溶性有機物等;非光敏參數是指無明顯光學特性的水質參數，主要包括化學需氧量(COD)、生化需氧量(BOD)、總磷(TP)和總氮(TN)等。

　　3.1葉綠素a

　　葉綠素a是衡量水體富營養化程度的重要指標之一，不僅體現浮游植物的生物量和初級生產力[37]，也影響水體的反射光譜特征。國內外學者針對不同研究區域建立了許多葉綠素a的遙感反演模型[38-39]，但葉綠素a具有明顯的季節變化特征，同時懸浮物和有色可溶性有機物的存在會使水體光譜特征發生顯著變化，掩蓋葉綠素a的光譜吸收特性[40]，因此這些模型仍存在精度不夠高和適用性不強的問題。

　　4存在的問題

　　當前，我國地表水環境質量總體保持持續改善的勢頭，但從水生態環境保護的整體性來看，不平衡不協調的問題依然突出。水質遙感監測在水生態環境保護中表現出廣闊的應用前景，但內陸水體水質遙感監測的基礎研究仍然不夠充分，理論和方法也不夠成熟，尚有許多問題存在：a.衛星傳感器的分辨率問題。不同遙感數據源在時間分辨率、空間分辨率、光譜分辨率和輻射分辨率上各有優勢和缺陷，這對水質參數提取的精度有著重要影響。內陸水體面積較小，組成成分復雜，受人為活動的影響比較嚴重，需要長期、連續和高精度的動態監測。

　　b.水質反演算法的時空局限性。內陸水體光學特性具有較強的區域性和季節性特點，即使同一水域也有光學深水區和光學淺水區之分。雖然許多遙感反演算法大幅提升了內陸水體水質反演的精度，但因缺乏理論基礎導致可解釋性較差，仍然有較強的時空局限性。c.水質參數的反演種類和反演機理問題。光敏參數的研究已經日趨成熟，但水體中葉綠素a、懸浮物和CDOM間相互的光譜特征干擾仍受到廣泛關注，此外非光敏參數的反演種類依然較少，反演機理尚不明晰，反演模型仍需發展，模型精度也有待提高。

　　d.大氣校正模型問題。國內外學者提出了很多大氣校正模型，但利用標準大氣剖面數據直接進行大氣校正的誤差較大，且不同地區的大氣剖面狀態不同。因此，內陸水體的大氣校正需要考慮氣溶膠光學特性的復雜性和水面反射光校正的不確定性。e.特殊類型水體的水質監測問題。內陸水體的水環境問題依舊存在，針對黑臭水體、富營養化水體和渾濁度較高水體的水質反演仍是水質遙感監測研究的重點和難點。這些水體光譜特性復雜，水質影響因素眾多，水質參數的遙感反演進展緩慢，遙感監測的精度較低。

　　5研究展望

　　近年來，水生態健康受到高度重視。生態環境部在2019年啟動了重點流域“十四五”規劃編制工作，印發了《重點流域水生態環境保護“十四五”規劃編制技術大綱》，將重點流域規劃名稱由“水污染防治”調整為“水生態環境保護”，體現了新時期流域生態環境保護工作的新要求。利用遙感技術監測內陸水體的水質狀況為水生態環境保護提供了新思路和新方法，不僅節省了大量人力、物力和財力，同時也幫助了環境保護部門高效掌握和監管水生態環境的實時狀況。

　　目前，基于遙感的內陸水體水質監測研究仍有需要補充和加強的地方，未來應重點關注以下幾個方面：

　　a.深入采用更多的新型遙感數據，融合多種遙感源以實現不同時空尺度下的水質反演。未來應充分結合微波遙感與可見光或紅外數據，加強高光譜技術在內陸水體水質遙感監測中的應用，發展專門針對內陸水體(如湖泊、水庫等)水質遙感監測的傳感器。

　　b.生物-光學模型是建立在光學傳輸物理過程之上的通用模型，未來應深入研究水質參數的內在光學特性與表面反射率或離水輻亮度之間的理論關系，將生物-光學模型和經驗法、半經驗法、機器學習模型等相結合，發展沒有時間和空間特殊性的反演模型。

　　c.深入研究水體中不同組分的光譜特征及其差異，發現各水質參數的光譜響應曲線特征，了解不同水質參數之間光譜相互影響的規律，同時擴大水質參數的監測種類，增加非光敏參數的可行性分析和定量遙感監測，建立不同水質參數的光譜特征數據庫。

　　d.內陸水體大氣校正算法應區分大氣和水體物質對傳感器總信息貢獻的解耦方法，考慮水域上空不同類型氣溶膠潛在的復雜混合，同時減少或消除水面反射光的干擾。未來應加強對水體光譜特性和機理模型的研究，發展針對內陸水體水質遙感的精確大氣校正模型。

　　e.內陸水體的水質遙感監測應先通過水體分類構建不同時空尺度下的反演模型，再逐步擴大研究區域和研究對象，獲得精度高和應用廣的統一模型，最終形成一套完整的內陸水體遙感監測體系，為未來的水質遙感監測奠定堅實的基礎。

　　參考文獻：

　　[1]季永興,韓非非,施震余,等.長三角一體化示范區水生態環境治理思考[J].水資源保護,2021,37(1):103-109.(JIYongxing,HANFeifei,SHIZhenyu,etal.Thinkingonwatereco-environmentmanagementinregionalintegrationdemonstrationareaofYangtzeRiverDelta[J].WaterResourcesProtection,2021,37(1):103-109.(inChinese))

　　[2]藍志峰,肖桂榮.基于流域要素空間關系的水污染溯源研究[J].水資源保護,2019,35(1):56-62.(LANZhifeng,XIAOGuirong.Waterpollutiontraceabilitybasedonspatialrelationshipofbasinelements[J].WaterResourcesProtection,2019,35(1):56-62.(inChinese))

　　[3]LIJ,PEIY,ZHAOS,etal.AreviewofremotesensingforenvironmentalmonitoringinChina[J].RemoteSensing,2020,12(7):1130.

　　[4]XIONGY,RANY,ZHAOS,etal.RemotelyassessingandmonitoringcoastalandinlandwaterqualityinChina:Progress,challengesandoutlook[J].CriticalReviewsinEnvironmentalScienceandTechnology,2019(8):1-37.

　　作者：王波1，黃津輝1，郭宏偉1，許旺2，曾清懷2，麥有全2，祝曉瞳1，田上1