-
湖泊是淡水资源的重要载体，对区域生态环境的维护发挥着重要的作用[1]。随着中国经济的快速发展以及城镇面积的大幅扩张，国内生产与生活用水需求日益增长，由此造成的湖泊环境与生态破坏现象不胜枚举，湖泊水华暴发、水体缺氧等问题频频发生，并由此引发了一系列经济与社会问题[2]。洱海亦出现了水体富营养化的现象[1]，水生生态系统逐步退化、湖泊水体富营养化进程加快等问题日益突出[3]，同时针对洱海的相关研究[4]发现，其水质呈现变坏的趋势，暗藏蓝藻水华暴发的隐患。
蓝藻水华通常是指在富营养化水体中出现蓝藻大量繁殖的现象，主要表现为水体表面覆盖着一层蓝绿色并伴有恶臭气味的浮沫，水体藻细胞浓度一般都达到并超过1.5×107个·L−1，叶绿素a质量浓度大于10 mg·m−3[5]。叶绿素a(chlorophyll a, Chl-a)是浮游植物(藻类)中最常见的色素，其质量浓度是评价水体富营养化程度的核心参数[6]。传统的湖泊营养状态评价方法主要依赖于对水体的实地取样分析，然而该方法易受局部天气与环境影响，取样与测试过程也比较耗时耗力、成本较高，较难实现对湖泊富营养状态在精细时空尺度上的监测[7]。与之相比，遥感(remote sensing, RS)技术具有覆盖范围广、获取资料快、周期短等优点，可弥补传统水质采样的诸多不足，因此，已被广泛应用于湖泊水环境和水生态等方面的监测。目前，在利用遥感技术的水质参数反演方面，反演方法经历了分析法、经验法、半经验法、机器学习和综合法[8]，已建立起具有较高精度和一定普适性的水质参数反演模型，可以用于宏观的水质评价[9-10]。并且形成了遥感反演叶绿素a质量浓度的多种算法，但不同的算法也存在一定的局限性[11]，且不同的算法在不同的传感器之间的适应性也存在差异[12]。
已有许多针对不同地区、不同季节、不同水质参数、不同的反演方法和算法、不同的卫星遥感数据源的水质反演方面的研究。潘鑫等[13]利用高分六号卫星影像，采用3种模型对太湖进行叶绿素a质量浓度反演，得出了适合高分六号卫星影像太湖叶绿素a质量浓度反演的模型。郑震[14]基于OLI影像，建立了叶绿素a质量浓度反演的数学回归模型，分析了东张水库叶绿素a质量浓度的时空分布特点。陈命男[15]利用Landsat 8数据，建立了淀山湖的叶绿素a反演的回归模型。但雨生等[16]基于Sentinel-2数据建立了可靠的BP神经网络模型，用以监测平寨水库水质。马丰魁等[17]以密云水库为研究对象，采用BP神经网络算法反演4个水质参数，并且得到了较为可信的研究结果。徐鹏飞等[18]建立了神经网络模型，对千岛湖清洁水体的叶绿素a质量浓度进行反演，并利用该模型对千岛湖的叶绿素a质量浓度进行时空特征分析。
由此可见，已有许多利用遥感数据反演水质参数的研究，分析方法亦较为成熟，这些研究为不同地区湖泊的水质监测提供了可靠的参考依据。但内陆水体光学特征具有较强的区域性和季节性[8]，而且针对叶绿素a反演的各种算法仍受到季节和地理位置等的限制[11]，致使各地区建立的水质参数反演模型不具有普适性。为此，针对不同地区、不同季节及不同的传感器[11]，仍需要根据实际情况有针对性地建立适合当地的相关模型，为水污染防治提供合理的数据支撑[19]。近年来，利用遥感技术监测洱海水质情况的研究主要包括蓝藻水华的空间分布特征[20]、土地利用变化与水质的关系[21]、干季水质的时空变化[22]等。毕顺等[23]利用OLCI数据，采用了三波段模型对洱海2017年4月19日叶绿素a质量浓度的分布进行了估算。但该研究的三波段模型中第三波段的选取需要满足一系列的假设条件，且三波段模型主要适用于中高浓度叶绿素水体，不适用于高度浑浊水体[11]；还有研究[24]表明，OLCI数据虽具有较高辐射分辨率，但其空间分辨率(为300 m)较低，在中小型内陆水体的监测上能力有限。由于洱海属中型湖泊，因此，选用空间分辨率较高的多光谱遥感影像能较为准确地获取水质采样点的反射率数据，这也是提高模型水质反演精度较为主要的因素之一[25]。
鉴于以上所述，本研究选取空间分辨率较高、也是近些年最流行的多光谱遥感数据之一的Sentinel-2数据，以较少利用Sentinel-2数据反演叶绿素a质量浓度的洱海作为研究区域，建立2种叶绿素a质量浓度反演模型，反演洱海叶绿素a质量浓度的空间分布，旨在利用不同数据源和方法探索适用于洱海流域的叶绿素a质量浓度反演模型，为相关部门的水质监测和水污染防治提供参考。
-
洱海位于大理市，湖泊面积约256 km2，是云南省第二大高原淡水湖泊，也是大理市和周边乡村居民的生产生活用水供给源地。其水量补给主要为大气降水和入湖径流，周边主要入湖河流有29条。洱海区域属高原季风气候类型，四季温和、平均温度较小，日照差大，光照充足，干湿季节分明，雨季季节分配不均[1]。作为受人类活动干扰严重的中型湖泊，2010—2019年期间洱海综合营养状态指数为38.8 ~ 43.1，属中营养水平；2014—2019年，整体水质类别为Ⅱ ~ Ⅲ类，水质呈现变坏趋势，污染物主要来源于降水产生的地表径流所携带的禽畜养殖、农村生活和农田污染[3-4]。
-
1)叶绿素a质量浓度数据。叶绿素a质量浓度实测数据来源于云南省水环境监测中心大理州分中心，水质监测点共计15个(图1)，采用2019年10月9日、2019年11月8日2期监测数据，共计30条，即每月监测1次，每次采集15个水质样品，水质采样在当天完成。
2) Sentinel-2卫星数据及预处理。此次研究采用的是Sentinel-2数据，卫星数据从欧洲空间局(European Space Agency, ESA)网站下载，数据信息见表1。Sentinel-2是欧洲空间局哥白尼计划下的一个地球观测任务，该计划是由2颗相同的卫星Sentinel-2A与Sentinel-2B组成的卫星群，单颗卫星重返周期为10 d，Sentinel-2的卫星2颗互补，重返周期为5 d。Sentinel-2的每颗卫星都搭载相同的多光谱影像仪(multispectral instrument, MSI)。该影像仪可拍摄涵盖可见光、近红外与短波红外的13个波段影像。MSI的拍摄方式是推扫式，影像幅宽达到290 km。通过Sentinel-2获取的各波段信息如表2所示。
在光学数据中，Sentinel-2卫星在红边范围含有3个波段的数据，为快捷反演大区域叶面积指数、叶绿素质量浓度等生物物理量指标提供了可能[26]。本次研究直接获取Sentinel-2卫星的L2A级数据。L2A级数据在L1C级数据的基础上，利用ESA提供的Sen2cor模型进行处理生成。从2018年3月开始，ESA逐渐向全球用户提供L2A级产品，并于2018年12月覆盖到全球。L2A级数据在生成过程中，会对L1C级数据进行大气校正、云雪检测、地形校正、场景分类等一系列处理[27]，可直接用于下游产品。
为便于使用ENVI 5.3提取各采样点反射率，利用SNAP软件将2期影像都按照同样的方法进行重采样，将其重采样为10 m，之后，波段由13减至12个(减少了短波红外-卷云B10波段)。分别提取水质采样点2期影像的水体反射率。
-
在水质参数的反演工作中，获取与水质参数关系密切的敏感波段，将其作为模型的输入因子，这样建立的模型具有更高的预测精度[28]。本研究通过Pearson相关分析来获取与叶绿素a质量浓度关系密切的敏感波段，Pearson相关系数是一种线性相关系数，通过Pearson相关分析可以得出不同波段或者波段组合与叶绿素a质量浓度的相关性强弱，可进一步剔除弱相关的、可能干扰反演模型建立的波段信息。由于水体的反射特性主要位于可见光和近红外波段，且有研究[29]表明，可见光和近红外的反射率可以成功地用以反演水体的叶绿素a质量浓度，因此，首先选择4个可见光波段和4个红边波段进行相关性分析，然后利用置信度为99.9%(P < 0.001)的波段进行波段组合，进一步分析各波段组合的反射率与叶绿素a质量浓度的相关性。
目前，常用的波段组合方式有单波段比值、双波段比值、波段差值、三波段和四波段模型。对于Sentinel-2数据来说，双波段比值对叶绿素质量浓度更加敏感[30]，因此，双波段比值是本研究首选的波段组合方式之一，另外还选择了单波段比值。根据但雨生等[16]基于Sentinel-2卫星数据与平寨水库叶绿素a质量浓度的相关分析研究结果，叶绿素a质量浓度与组合波段B5/B4、(1/B4-1/B5)×B6、(1/B4-1/B5)×B7和(1/B4-1/B5)×B8的Pearson相关系数最大。另外，叶绿素质量浓度与归一化植被指数(normalized difference vegetation index, NDVI)呈线性关系[31]，所以本研究选择具有代表性的波段比值、三波段模型以及NDVI筛选与叶绿素a质量浓度显著相关的敏感波段。利用15个采样点提取的2期共30条水体反射率数据，与实测叶绿素a质量浓度数据进行Pearson相关分析，分别在单波段、单波段比值和双波段比值中选取相关系数最大的叶绿素a反演波段。如表3所示，B6、B7/B6和(B6+B8)/(B7+B8a)反射率与叶绿素a质量浓度呈现0.001水平的显著性，且相关系数最大。因此，最终选择B6、B7/B6和(B6+B8)/(B7+B8a)作为叶绿素a质量浓度的反演波段。
需要说明的是，在进行Pearson相关分析之前，需要对各波段、波段组合提取的采样点反射率数据以及实测叶绿素a质量浓度数据进行Shapiro-Wilk检验。在25组数据中(波段或波段组合的采样点反射率数据24组(表3)；实测叶绿素a质量浓度数据1组)，6组数据符合正态分布，其余数据基本符合正态分布。
-
BP (back propagation)神经网络是一种按误差逆向传播算法训练的多层前馈网络，能学习和存储大量的“输入-输出”模式的映射关系，而无需事前揭示描述这种映射关系的数学方程[32]。BUCKTON等[33]和SCHILLER等[34]利用MERIS数据和2层BP神经网络模型反演了叶绿素、悬浮物、黄色物质3个水质参数，得出神经网络模型完全可以用来反演Ⅰ类水质和Ⅱ类水质参数，且反演精度远高于经验模型的结论。BP神经网络具有自适应、自学习、自组织和非线性映射的功能，非常适用于模拟各种错综复杂的非线性关系。已有研究[16]证明，具有1个隐含层的3层网络可以逼近任意非线性函数。本研究所采用的即是具有1个输入层、1个隐含层和1个输出层的3层BP神经网络结构。其中，隐含层的神经元节点数可根据3种经验公式[32]选择，本研究由经验公式(式(1))进行确定。
式中：M为隐含层神经元个数；m和n分别为输入层和输出层神经元个数；a为1 ~ 10的整数。
根据输入输出层神经元个数3和1，由式(1)计算得到M的取值为3 ~ 12的整数。分别从单波段、单波段比值、双波段比值中选取与叶绿素a质量浓度显著相关且相关系数最大的波段和波段组合B6、B7/B6和(B6+B8)/(B7+B8a)作为神经网络的输入数据(波段组合使用软件PIE-Basic 6.3完成)，与之相对应的实测叶绿素a质量浓度作为输出数据。30组数据随机分为训练数据23组和检验数据7组，采用feedforwardnet函数建立神经网络。trainglm作为训练函数，双曲正切函数sigmoid为传递函数，线性函数purelin作为输出层函数。训练次数设置为1 000次，学习速率为0.01，训练目标为1×10−6。设置参数后，分别选择不同的神经元节点数对神经网络进行反复训练，最终获得决定系数R2最大、均方根误差(root mean square error, RMSE)最小的神经网络结构，此时隐层神经元节点数为4 (表4)。
-
根据构建BP神经网络时随机产生的训练样本23组，也就是利用与BP神经网络相同的特征波段B6、B7/B6和(B6+B8)/(B7+B8a)及其数据，建立多元线性回归模型(式(2))。
式中：C为Chl-a质量浓度，mg·L−1；x1代表B6波段；x2代表单波段比值B7/B6；x3代表双波段比值(B6+B8)/(B7+B8a)。
采用决定系数R2、均方根误差(RMSE)、平均绝对误差百分比(mean absolute percentage error, MAPE)3个指标评价模型效果。MAPE的计算方法见式(3)，7条检验数据对2种模型的检验结果如表5所示。
式中：δ为所有检验样本的相对误差绝对值的平均值；m为检验样本总数；yi为第i个检验样本的叶绿素a质量浓度的实测值；
ˆyi 为第i个检验样本的叶绿素a质量浓度的估测值。 -
从本研究的叶绿素a质量浓度数据的采集时间和Sentinel-2卫星影像的时间来看，2种数据没有在时间上做到非常好的匹配。10月9日，叶绿素a质量浓度实测数据与10月12日Sentinel-2卫星数据间隔3 d；11月8日，叶绿素a质量浓度实测数据与11月9日Sentinel-2卫星数据间隔1 d。根据来源于美国国家海洋和大气管理局国家环境信息中心(NOAA National Centers for Environmental Information)的气象站点(该气象站点位于洱海湖体西南部，大理市气象局东南部)数据，研究区10月9日—10月10日无降水，10月11日降水量为0.508 mm，10月12日降水量为0.254 mm，10月9日—10月12日4 d内最大平均风速为2.16 m·s−1，日平均温度变化最大为1.2 ℃；11月8日—11月9日无降水量，最大平均风速为1.59 m·s−1，日平均温度升高2.3 ℃。此外，来源于美国国家航空航天局(National Aeronautics and Space Administration, NASA)提供的大气再分析资料MERRA-2数据显示，10月9日—10月12日，大理市地区日照时数的最大值和最小值分别为5.92 h和4.85 h，变化值最大为1.07 h；11月8日—11月9日，日照时数减少0.10 h。因此，时间上的差异对数据产生的影响很小。此外，鉴于本研究存在的数据在时间匹配上的误差，且叶绿素a质量浓度变化受风速、降水、流速、营养元素等因子影响[35]，可建立包含风速、降水、流速、营养元素等因子的模型，以减少因为数据不能在时间上完全匹配所产生的叶绿素a质量浓度的估算误差，这可以在一定程度上避免因卫星数据时间分辨率以及卫星数据云量过多造成的与实测数据的时间匹配问题。
-
数据的Shapiro-Wilk检验结果显示，B9、B5/B4、B7/B6、B8a/B8、(1/B4-1/B5)×B6、(1/B4-1/B5)×B7没有呈现显著性(p > 0.05)，说明以上6组数据符合正态分布。其余19组数据的峰度绝对值小于10并且偏度绝对值小于3，这些数据的正态检验直方图也都显示为钟形(中间高两端低)，说明这些数据基本符合正态分布。根据本研究的实测叶绿素a质量浓度数据与对应水质样品采样点的Sentinel-2影像反射率的相关分析结果，建立模型所采用的对叶绿素a质量浓度敏感的波段都处于0.001的显著水平，分别是在单波段、单波段比值、双波段比值中相关系数最大的波段和波段组合B6、B7/B6和(B6+B8)/(B7+B8a)。根据表3，B5/B4、(1/B4-1/B5)×B6、(1/B4-1/B5)×B7和(1/B4-1/B5)×B8与叶绿素a质量浓度的相关系数很小，分别为−0.009、−0.128、−0.086、−0.098。这说明以上波段组合与叶绿素a质量浓度存在弱相关关系或几乎没有相关关系，与但雨生等[16]的研究存在差异。在但雨生等[16]的研究中，采用与叶绿素a实测数据准同步的Sentinel-2影像，在秋季，采用了同样的相关分析方法，因此，出现这种差异可能由不同研究区的水体光学特征的差别所引起，也就是说可能由于不同研究区水体的固有光学特征和表观光学特征的差异，导致同一卫星传感器的所接收的水体反射信息存在差别。此外，NDVI与叶绿素a质量浓度的相关系数为0.489，P值为0.006，说明NDVI与叶绿素a质量浓度存在0.01水平的显著性。
-
本研究选用多元线性回归模型以及可以模拟各种非线性关系的BP神经网络模型来进行湖泊水叶绿素a质量浓度的反演。从对2种模型的检验结果来看，BP神经网络模型的MAPE为21.36%，小于线性回归模型27.90%；RMSE为0.002 8，小于线性回归模型的0.004 5。从2种模型的决定系数R2来看，本研究的多元线性回归模型的3个自变量(B6、B7/B6和(B6+B8)/(B7+B8a))只能用来解释因变量(叶绿素a质量浓度)方差的78.8%，远低于BP神经网络模型(R2 = 0.925)。这说明BP神经网络模型的预测精度要高于线性回归模型。这与赵玉芹等[36]基于SPOT 5遥感影像建立了多元线性回归模型、BP神经网络模型和径向基神经网络模型，对渭河陕西段水域的4种水质参数进行反演所得出的结论几乎一致，均认为BP神经网络模型的预测精度最高。同样，岳佳佳等[37]以黄石磁湖为研究区，利用IKONOS遥感影像和水质采样数据构建了多元线性回归模型、BP神经网络模型和径向基神经网络模型，对比后，亦得出神经网络模型反演结果优于多元线性回归模型。此外，杨柳等[38]也使用ETM+数据和准同步实测的2种水质数据，建立多个隐含层为1的BP神经网络模型，得出了BP神经网络方法反演水质参数结果好于线性回归方法的结论。
在水质参数反演中，BP神经网络虽然较多元线性回归模型有较高的精度，但是也存在一些缺点。BP神经网络的设计通常需要确定网络的层数、输入层的节点数、隐含层的节点数、输出层神经元个数、网络的初始权值，需要选择不同的传递函数和训练方法。本研究使用feedforwardnet函数建立神经网络，该函数自动对数据进行归一化处理，可以根据train函数自动确定网络的输入层和输出层数。如图2所示，本研究的BP神经网络输入层数为3，分别为Sentinel-2卫星数据的B6、B7/B6和(B6+B8)/(B7+B8a)3个特征数据。将这3个特征数据按照不同的权值wij分别输入到隐含层各个神经元，再和各神经元阈值bj求和，之后激活传递函数(双曲正切函数sigmoid)，接着通过一定的权值wjk由隐层进入输出层，与输出层阈值bk求和后激活输出函数(线性函数purelin)，随后按减少误差的原则，从输出层经过隐含层，回到输入层，不断调整各连接权值，进行反复训练。虽然这样可以不断地提高正确率，但BP神经网络的一些参数的选择依然没有依据，隐含层的神经元个数也只能依据经验公式进行试凑，网络的权值是通过训练样本和学习率参数得到的，这也导致了BP神经网络的不稳定。除此之外，BP神经网络每次训练的初始权值是随机给定的，导致了其不可重现性；网络还存在样本依赖性，主要依赖于选择的训练样本是否典型，所以，应避免样本集合代表性差、矛盾样本多、存在冗余样本等问题；再者，网络容易陷入局部最优，需要实时检测误差率的变化以确定最佳训练次数。相比之下，径向基网络模型具有结构可靠、不依赖初始权值等优点。吴倩等[39]认为径向基网络模型是值得推广的光谱反演叶绿素模型。同时需要注意的是，吴倩等[39]的研究采用地物光谱仪测定采样点水体反射光谱，波谱区间为325 ~ 1 075 nm，光谱采样间隔为1.6 nm，光谱分辨率为3.5 nm，光谱分辨率较高，且径向基网络模型同时也存在丢失信息、数据不充分时无法工作等缺点。本研究旨在探索适用于秋季洱海流域的叶绿素a质量浓度的遥感反演模型，采用的是Sentinel-2多光谱数据，波段配置不同也会影响叶绿素a的反演[11]，因此，依然使用了在各个地区利用遥感反演水质参数比较成熟的BP神经网络模型。
-
如表5所示，BP神经网络的模型预测误差要比多元线性回归模型小，采用构建好的BP神经网络模型对洱海秋季2019年10月12日、11月9日2 d的叶绿素a质量浓度进行反演，结果见图3和图4。由反演结果可以看出，利用Sentinel-2影像可从宏观上反演叶绿素a质量浓度，并且可以非常直观地展现叶绿素a质量浓度的空间分布，这也是遥感监测的优势体现。利用这一优势，结合地理信息系统(geographic information system, GIS)以及人工智能(artificial intelligence, AI)技术，构建蓝藻水华及富营养化监测预警系统是未来的研究方向之一[40]。如以10 mg·m−3叶绿素a质量浓度作为藻华发生的临界值[41]，利用以上技术结合适用于当地的BP神经网络模型，可以构建藻华发生的预警系统，这也是本研究的实际意义之一。
由洱海2 d的反演结果可以看出，叶绿素a质量浓度均呈现洱海北部高于南部的分布状态，且洱海北部沿岸地区叶绿素a质量浓度值最大。10—11月，叶绿素a质量浓度出现扩散，北部较高质量浓度逐渐向洱海中部扩散，叶绿素a质量浓度最大值降低，分布面积扩大。从叶绿素a质量浓度来看，10月最大值为0.074 2 mg·L−1，最小值为0.003 0 mg·L−1；11月最大值为0.071 8 mg·L−1，最小值为0.003 4 mg·L−1。10月与11月相比较而言，洱海叶绿素a质量浓度区间基本没有发生变化。根据11月的反演结果，洱海叶绿素a质量浓度仍然呈北部大于南部的趋势。这与祁兰兰等[22]利用GF-1卫星数据的研究结果(2014—2019年11月，洱海叶绿素a质量浓度在空间上均呈现南部>中部>北部)相反。
为了进一步探寻造成此结果的原因，首先想到的是将叶绿素a质量浓度与水体富营养化联系起来。这是因为叶绿素a质量浓度是藻类生物量的指标，可以很容易的与水体富营养化联系，而营养化水平与叶绿素a质量浓度又是成正相关的[42]，因此，将2019年11月9日Sentinel-2A的真彩色合成影像通过3%的线性拉伸显示(图5)，通过目视解译，可以看出洱海北部的水华现象。其次，由于本研究使用的是Sentinel-2数据，而通过查询，没有与祁兰兰等[22]研究中相同日期(2019年11月22日)的Sentinel-2数据，未能与其做对比实验。相应地，在11月9日，也没有查询到高分一号WFV洱海区域的数据，也不能利用祁兰兰等[22]采用的反演模型对本研究结果做对比验证。但是，WANG等[41]的研究显示，洱海叶绿素a质量浓度在2016年11月、2017年11月均为北部高于南部；TAN等[42]的研究同样表明2016年11月洱海北部叶绿素a质量浓度高于南部。这种结果的差异可能是祁兰兰等[22]研究所采用模型的区域性限制，该模型最早是利用环境一号卫星CCD数据以太湖为研究区建立的[43]，后来被朱利等[44]证明高分一号WFV数据与环境一号CCD数据在波段设置上具有很强的一致性，并将该模型用于高分一号WFV数据的太湖叶绿素a质量浓度反演。
-
1)在秋季的洱海流域，对于Sentinel-2卫星数据，与叶绿素a质量浓度具有显著的相关关系(P < 0.001)，且在单波段、单波段比值和双波段比值中相关系数最大的分别为B6、B7/B6和(B6+B8)/(B7+B8a)。
2)使用BP神经网络，建立了适用于秋季洱海流域的叶绿素a质量浓度反演模型。对比使用同样数据建立的多元线性回归模型，BP神经网络模型的平均绝对误差百分比(MAPE)和均方根误差(RMSE)均小于多元线性回归模型，决定系数R2大于多元线性回归模型。总体来说，BP神经网络模型的精度高于线性回归模型，可使用Sentinel-2数据，利用本研究构建的BP神经网络模型反演叶绿素a质量浓度，能得到较可靠的反演结果。
3)通过构建的具有4个隐含层神经元节点的3层BP神经网络模型，反演洱海2019年10月12日、11月9日叶绿素a质量浓度，结果均显示洱海北部叶绿素a质量浓度明显高于南部。因此，基于Sentinel-2影像和BP神经网络模型可以宏观监测叶绿素a质量浓度的空间分布。
基于Sentinel-2影像的洱海叶绿素a质量浓度反演
Mass concentration inversion for chlorophyll a in Erhai lake based on Sentinel-2
-
摘要: 为动态监测洱海水体富营养污染物，利用遥感技术对反映水体富营养化的核心参数——叶绿素a质量浓度进行反演，建立适合当地当季的反演模型，对水体叶绿素a质量浓度进行宏观监测；通过洱海的秋季Sentinel-2影像和实测叶绿素a质量浓度数据，使用参数相关分析方法选取反演波段，建立BP神经网络模型和多元线性回归模型，随机选择7个样本点对2种模型进行交叉验证后，对洱海叶绿素a质量浓度进行反演。结果表明：Sentinel-2数据与叶绿素a质量浓度具有显著的相关关系(Pearson积矩相关系数的绝对值大于0.7, P < 0.001)，且分别在单波段、单波段比值和双波段比值中相关系数最大的波段及波段组合为B6、B7/B6和(B6+B8)/(B7+B8a)；隐含层神经元节点数为4的3层BP神经网络模型的均方根误差最小，决定系数最大，分别为0.002 8和0.925；2019年10月12日、11月9日，洱海叶绿素a质量浓度在空间上均呈北部高于南部的分布状态；BP神经网络模型的平均绝对误差百分比为21.36%、均方根误差为0.002 8、决定系数为0.925，多元线性回归模型的平均绝对误差百分比为27.90%、均方根误差为0.004 5、决定系数为0.788。总体而言，BP神经网络模型的叶绿素a质量浓度反演精度高于多元线性回归模型。本研究成果可为相关部门对洱海水质进行动态监测以及制定洱海水质保护措施提供参考。
-
关键词:
- 叶绿素反演 /
- Sentinel-2 /
- 洱海 /
- BP神经网络
Abstract: In order to dynamically monitor eutrophic pollutants in Erhai lake, the remote sensing technology was used to invert the chlorophyll-a mass concentration, the core parameter reflecting eutrophication of water. The inversion model suitable for the local season was established to conduct the macro monitoring of the mass concentration of chlorophyll-a in water. Based on Sentinel-2 images and measured mass concentration data of chlorophyll a in Erhai lake in autumn, the inversion bands were selected by parameter correlation analysis method, then BP neural network model and multiple linear regression model were established. Seven sample points were randomly selected to cross-verify the two models, and then the mass concentration of chlorophyll a in Erhai lake was inverted. The results showed that a significant correlation occurred between Sentinel - 2 data and the mass concentration of chlorophyll a (the absolute value of Pearson's product moment correlation coefficient was higher than 0.7, P < 0.001), and the bands or band combinations with the largest correlation coefficient in single band, single band ratio and dual band ratio were B6, B7 / B6 and (B6 + B8) / (B7 + B8a), respectively; the three-layer BP neural network model with four neuron nodes in hidden layer had the smallest root mean square error and the largest determination coefficient, which were 0.0028 and 0.925, respectively. On October 12th and November 9th, 2019, the spatial distribution of mass concentration of chlorophyll a in the northern part of Erhai lake was higher than that in the southern part. The mean absolute percentage error of BP neural network model was 21.36%, the root mean square error was 0.002 8, and the coefficient of determination was 0.925. The mean absolute percentage error of multiple linear regression model was 27.90%, the root mean square error was 0.004 5, and the coefficient of determination was 0.788. In general, the inversion accuracy of mass concentration of chlorophyll-a by BP neural network model was higher than that by multiple linear regression model. The results of this study can provide a reference for relevant departments to dynamically monitor water quality of Erhai lake and formulate water quality protection measures of Erhai lake.-
Key words:
- chlorophyll inversion /
- Sentinel-2 /
- Erhai lake /
- BP neural network
-
近年来，随着城市水环境综合治理需求的不断提升，作为城市水环境保护的末端屏障——污水处理厂的作用愈加凸显[1-3]。陕西省绝大多数污水处理厂执行《城镇污水处理厂污染物排放标准》(GB 18918-2002)中的一级A标准[4]。为切实提升区域水环境质量，实现地表水污染治理目标，陕西省生态环境厅于2019年1月15日颁布了《陕西省黄河流域污水综合排放标准》(DB 61/224-2018)，要求设计规模大于2 000 m3·d−1的城镇污水处理厂出水水质达到地表准Ⅳ类标准。然而，大多污水处理厂由于建厂时间较早，处理能力已难以满足日趋增长的水质、水量需求，必须实施提标改造[5]。
现状污水处理厂通常已历经过多次改造，厂内管线复杂，预留用地十分有限[6]。为顺利实现污水处理厂的提标改造目标，须充分挖掘生化系统的处理能力，提高活性污泥脱氮除磷效能[7]。移动床生物膜工艺(MBBR)和膜生物反应器工艺(MBR)均可在不改变生化池容积的条件下，增加系统活性污泥浓度，优化系统微生物组成，因此，被广泛应用于我国城镇污水处理厂提标改造工程中[8-9]。
吴迪等[10]采用MBBR工艺将山西某污水处理厂出水水质提升至一级A标准。滕良方等[11]采用Bardenpho-MBBR工艺结合高效沉淀池及反硝化深床滤池对浙江省某污水处理厂进行提标改造，将出水水质由原一级B标准提升至地表准Ⅳ类水质标准。陈建平等[12]采用MBR工艺与A2/O-高效沉淀池-反硝化深床滤池工艺并行考虑，对宁波市污水处理厂进行提标改造，结果显示2种工艺出水均可稳定达到地表准Ⅳ类水质标准。综合上述各项研究，采用MBBR与MBR工艺都能够大幅增加生化池污泥浓度，降低污泥负荷，提高活性污泥系统的脱氮除磷效果与抗冲击负荷能力。但与MBR工艺相比，MBBR工艺需配套高效沉淀池、反硝化滤池等深度处理工艺，以保证系统出水满足准Ⅳ类水质标准，故新建构筑物相对较多。
陕西省北部地区污水处理厂普遍存在厂区预留用地有限问题，且运行过程中呈现明显的长期高寒低温、进水水质剧烈波动现象，故出水水质难以稳定达标。目前，关于陕北地区污水处理厂提标改造的相关研究报道较少。基于此，本文以延安市污水处理厂提标改造工程为例，在充分解析现状污水处理系统运行情况、核算污染物负荷的基础上，提出了以增大生化池池容、提高活性污泥浓度及重新构建生化池分区为核心的提标改造工艺方案，论述了改造后不同温度下处理系统的理论污染物去除效能及实际运行效果，并简要测算了工程投资及运行成本，以期为西北地区相近污水处理工程的提标改造设计提供参考。
1. 污水处理厂现状
1.1 污水处理厂概况
延安市污水处理厂占地约77 000 m2，总处理能力70 000 m3·d−1，分两期建设，现状出水水质执行《城镇污水处理厂污染物排放标准》(GB 18918-2002)中的一级A标准。其中，一期工程于1998年筹建，2003年开始运营，2012年实施了提标改造，设计处理能力50 000 m3·d−1，处理工艺为“预处理+厌氧池+氧化沟+二沉池+中间水池+N/DN滤池+滤布滤池+消毒池”，生物反应池容积37 280 m3(好氧区23 278 m3，缺氧区11 194 m3，厌氧区2 808 m3)，污泥浓度4 000 mg·L−1；二期工程于2015建设完成，设计处理能力20 000 m3·d−1，处理工艺为“预处理+A2/O+二沉池+中间水池+高密度沉淀池+纤维转盘滤池+消毒池”，生物反应池容积27 330 m3(好氧区14 750 m3，缺氧区11 080 m3，厌氧区1 500 m3)，污泥浓度4 000 mg·L−1。
1.2 一期工程运行情况及存在问题解析
1) 进水水质结构失衡。进水BOD5/COD平均值为0.54，说明进水易生物降解有机物含量高，可生化性整体较好[13]。本工程进水平均BOD5/TN为3.68，略小于4，而对于A2/O或氧化沟等传统脱氮除磷工艺，当BOD5/TN大于4时才能够实现较好的总氮去除效果[14]。这表明，污水在反硝化脱氮过程中存在一定的碳源不足现象。韦启信等[14]的研究表明，SS/BOD5与反硝化速率呈负相关关系，SS/BOD5越高，生化系统的反硝化速率越低。当SS/BOD5为1.2时，生化池可实现较好的反硝化效果[14]，但本研究中污水处理厂进水SS/BOD5平均值为1.44，且全年约40%的时间SS/BOD5大于1.5。过低的反硝化速率会导致水中有限碳源在缺氧段难以被反硝化细菌高效利用，系统脱氮能力降低[14]。
2) 进水温度低。2019年延安市污水处理厂进水温度范围为6.0~25.0 ℃，年平均值为15.4 ℃，各月份进水温度统计学分析如图1所示。由图1可知，1—4月及11、12月，进水月平均温度低于15.0 ℃，说明2019年全年，污水处理厂约有50%的时间在低温条件下运行，此时微生物活性及其硝化/反硝化作用将受到明显抑制[15-16]，系统抗冲击负荷能力差，出水水质波动较大。而1—2月的平均水温低于10 ℃，在此期间活性污泥系统的硝化能力将急剧下降[17]，系统只能通过降低进水量的方式延长水力停留时间，降低污泥负荷，从而在一定程度上保障出水水质。
3) 设计进水水质保证率低。延安市污水处理厂一期工程原设计进水水质及2019年实际进水水质统计学分析结果如表1所示。刘成军等[18]和马耀平等[19]的研究表明，应用统计学方法分析污水处理厂进水水质时，采用90%的保证率，可以有效指导污水处理厂的生产运营。由表1可知，一期工程原设计进水水质对于COD和SS的保证率均约为70%，对TP的保证率约为60%，对于
NH+4 表 1 一期工程设计进水水质及水质保证率Table 1. Inlet water quality and water quality guarantee rate of the first phase project水质指标 设计进水水质/(mg·L−1) 保证率 COD 400 69.11% BOD5 200 79.56% SS 300 73.45% NH+4 35 31.45% TP 6 60.45% | Show Table
DownLoad:
CSV
1.3 二期工程运行情况
目前，二期工程运行状况良好。在冬季进水温度过低，一期工程难以满负荷运行时，二期处理系统可超负荷运行，日处理量达24 000 m3。同时，根据运营月报数据显示，二期超负荷运行时，出水水质指标可满足《陕西省黄河流域污水综合排放标准》(DB 61/224-2018)中的A标准。
1.4 改造难点
1) 厂区预留改造空间有限。污水处理厂位于宝塔区桥沟东十里铺，目前厂区周边已无可用地块。而厂区内部于2012年和2015年先后实施了提标改造和扩容工程，预留新建用地紧张，地下管线错综复杂。
2) 不停水改造。污水处理厂已满负荷运行，排水高峰期存在超负荷运行现象。在改造过程中，需保证厂区正常运行，处理水量不减少，且指标不降低，改造期间不外排污水。
2. 提标改造技术方案
2.1 设计水量及进出水水质
1) 设计水量。通过工艺运行情况分析，明确了污水处理厂一期工程存在抗冲击负荷能力差，出水水质波动大等问题；而二期工程运行情况良好，出水水质可稳定达标。因此，本研究主要针对一期工程进行提标改造。根据《延安市城市总体规划》(2015—2030)，延安市新建姚店污水厂已进入前期准备阶段，后期将逐步承担起城区的污水处理任务，因此，本次提标改造工程不考虑短期增长量，确定提标改造工程设计规模为50 000 m3·d−1，与原一期工程处理规模一致。
2) 设计进出水水质及处理程度。采用频率统计法，对延安市污水处理厂近一年的实际进水水质进行统计学分析，以90 %的保证率确定本次提标改造工程的设计进水水质。设计出水水质执行《陕西省黄河流域污水综合排放标准》(DB61/224-2018)中的A标准。主要指标及处理程度如表2所示。
表 2 设计进出水水质与处理程度Table 2. Designed quality and treatment rates of the influent and effluent水质指标 设计进水水质/(mg·L−1) 设计出水水质/(mg·L−1) 处理程度 COD 450 ≤30 93.33% BOD5 210 ≤6 97.14% SS 450 ≤10 97.78% TN 60 ≤15 75% NH+4 46 ≤1.5(3) 96.74%(93.48%) TP 8 ≤0.3 96.25% 注：括号外数值为水温≥12 ℃时的控制指标，括号内数值为水温≤12 ℃时的控制指标。 | Show TableDownLoad:
CSV
2.2 系统处理负荷分析
一期、二期处理系统同时存在进水结构失衡、水温过低等问题。在冬季低温时，一期工程必须降负荷运行，而二期处理系统不仅可以确保出水稳定达标，甚至可超负荷20%运行。为明确同等条件下一、二期处理系统在污染物削减能力上存在的差异，揭示上述差异存在的原因，采用《室外排水设计规范》GB 50014-2006(2016年版)中的式6.6.18-1~6.6.18-6，对不同水温条件下一、二期处理系统的污染物去除效能进行了分析，并核算了2个系统的污泥负荷。核算时，生物反应池内混合液悬浮固体平均浓度X取4 g·L−1，20 ℃下的脱氮速率Kde(20)取0.06 d−1，MLSS中MLVSS所占比例y取0.7，污泥总产率系数Yt取1，生物反应池进、出水五日生化需氧量So和Se分别为210 mg·L−1和20 mg·L−1，安全系数F取2.5，生物反应池中氨氮浓度取46 mg·L−1，硝化作用中氮的半速率常数KN取1 mg·L−1。核算结果如图2所示。
图 2 改造前不同温度下的系统处理能力Figure 2. Removal capacities of the system at different temperatures由表2可知，污水处理系统进水BOD5和TN分别为210 mg·L−1和60 mg·L−1，当生化池出水BOD5和TN浓度低于20 mg·L−1和15 mg·L−1时，可满足出水水质要求。因此，生化池对于BOD5和TN的削减能力应分别达到190 mg·L−1和45 mg·L−1以上。由图2可知，对于一期处理系统而言，当进水温度在12 ℃以下时，随着脱氮速率Kde的不断下降，系统脱氮能力受到明显抑制；当进水温度为5 ℃时，一期处理系统的理论脱氮能力仅为32.9 mg·L−1，不足其处理需求的75%。而二期处理系统可始终保持较好脱氮效果，在进水温度为5 ℃时，其脱氮能力可达到57.8 mg·L−1。其原因如下：二期处理系统反硝化污泥负荷为(以每天单位MLSS的TN测定值计)0.020 kg·(kg·d)−1；而一期处理系统的反硝化污泥负荷高达0.050 kg·(kg·d)−1，是二期处理系统的2.5倍。较高的污泥负荷会导致一期处理系统难以有效适应温度及进水水质的大幅度波动[20]。
由图2(b)可知，一期处理系统同样存在冬季低温条件下的除碳能力不足问题。当温度低于9 ℃时，一期系统BOD5去除能力已不能满足要求；当温度下降至5 ℃，系统BOD5去除能力仅为128.2 mg·L−1，不足同等条件下二期系统的65%。一期和二期系统的BOD5污泥负荷(以每天单位MLSS的BOD5测定值计)分别为0.064和0.035 kg·(kg·d)−1。经对比分析可知，对于去除BOD5而言，一期处理系统仍存在因污泥负荷偏高而引起的出水水质波动问题。
2.3 改造技术方案
通过对比一期、二期处理系统运行情况可知，目前一期处理系统存在的主要问题是污泥负荷偏高。对此，本研究提出增大生化池池容与提高污泥浓度相结合的改造技术方案，使一期污泥负荷降低至与二期相近的水平，同时对一期生化池进行重新分区，优化其处理效能，具体如下。
1) 增大生化池池容。低温条件下，微生物活性降低，脱氮效率随之下降。此时，适当增加水力停留时间，降低污泥负荷，是提高生化池处理能力的有效途径[21]。然而，延安市污水处理厂目前处于满负荷运行状态，处理构筑物已无预留调节池容。同时，经改造及扩建后，厂区内几乎已无可用地块，也无法新建生化池。对此，本研究提出加高原生化池池壁，提高有效水深，从而增大池容，延长水力停留时间的改造技术方案。
一期处理系统生化池包括厌氧池和氧化沟。原厌氧池尺寸为28.0 m×21.0 m×5.5 m (L×B×H)，有效水深5.2 m，有效池容2 808 m3，水力停留时间1.35 h。原氧化沟共分4座，单座尺寸为60.0 m×40.0 m×5.15 m (L×B×H)，有效水深4.3 m，超高0.85 m。则氧化沟总池容34 470 m3，总水力停留时间16.55 h。本研究将原有氧化沟池体整体加高0.5 m，相应有效水深升高至4.8 m，总池容增大至38 480 m3，水力停留时间延长至18.47 h。增大氧化沟池容后，系统反硝化污泥负荷降低至0.045 kg·(kg·d)−1，BOD5污泥负荷降低至0.058 kg·(kg·d)−1，但仍远高于二期处理系统。
2) 提高污泥浓度。增大生化池池容可以在一定程度上延长水力停留时间，但对于污泥负荷的降低作用十分有限。因此，本研究通过提高污泥浓度的方式，进一步降低一期生化系统污泥负荷。
在污水处理厂运行过程中，一般可以通过调整污泥回流比来增加系统活性污泥总量[15]。本研究中，由一期处理系统运营月报可知，氧化沟内污泥容积指数 (sludge volume index，SVI) 约为140 mg·L−1，则二沉池剩余污泥浓度约为7 100 mg·L−1。当进水BOD5为210 mg·L−1、出水BOD5为6 mg·L−1、处理量为50 000 m3·d−1时，要将一期生化池BOD5污泥负荷降至0.035 kg·(kg·d)−1，则生化池内污泥的质量浓度需升高至7 000 mg·L−1以上，与剩余污泥浓度基本一致。上述条件表明，仅通过提高污泥回流比，无法将生化池污泥浓度提高至目标值。
考虑到厂区内预留用地有限，提出在生化池后设置膜组件，与原有生化池形成MBR工艺，利用膜组件的高效固液分离作用实现泥水分离，从而在提高生化池污泥浓度的同时，进一步提升系统处理效能，确保出水稳定达标。膜池及设备间总设计流量50 000 m3·d−1，单组膜池设计流量12 500 m3·d−1，池容836.45 m3，有效水深3.8 m，水力停留时间1.6 h。膜池设计污泥浓度10 000 mg·L−1，膜池-好氧池、好氧池-缺氧池和缺氧池-厌氧池回流比分别为400%、300%和100%，好氧池、缺氧池及厌氧池的污泥浓度分别为8 000、6 000和3 000 mg·L−1，生物反应池平均污泥浓度约为7 050 mg·L−1。
3) 重新构建生化池分区。在传统A2/O工艺运行过程中，携带大量硝态氮的好氧池混合液回流至缺氧池，在缺氧池中通过反硝化作用实现脱氮，其脱氮效率受限于混合液回流比而难以进一步提高[22]。同时，好氧池出水中含有硝态氮，若进水总氮过高或运行不当，往往会导致出水总氮难以稳定达标。对此，可在氧化沟内沟好氧池中增设搅拌机及碳源投加装置。当冬季低温或进水总氮较高时，内沟以缺氧方式运行，与后续膜池组成AO工艺，使生化系统整体以AAOAO的方式运行。此时，在后缺氧区内通过反硝化作用进一步去除好氧池出水中的硝态氮，以提升系统脱氮能力；膜池作为后好氧区控制由后缺氧池投加碳源而引起的出水BOD5升高问题。为防止出水TP超标，在好氧池末端设置化学除磷装置。
综合上述改造技术方案，确定改造后的污水处理工艺流程如图3所示。
3. 提标改造后系统的处理效能及运行效果
3.1 系统处理效能
提标改造后，不同温度下一期处理系统脱氮和除碳能力如图4所示。在5 ℃条件下，污水处理系统的理论脱氮能力可达到44.3 mg·L−1，除碳能力可达到286.2 mg·L−1，表明改造后一期处理系统可满足低温条件下的污染物去除要求。随着进水温度的升高，系统对TN和BOD5的去除能力也逐渐升高。系统反硝化污泥负荷为0.030 kg·(kg·d)−1，降低至改造前的59.7%，略高于二期处理系统；BOD5污泥负荷降低至0.033 kg·(kg·d)−1，约为改造前的50%，与二期处理系统基本一致。
图 4 改造后不同温度下一期处理系统处理效能Figure 4. Removal capacities of the first stage treatment system at different temperatures after upgrade3.2 系统运行效果
一期工程改造完成后，自2019年9月开始稳定运行。2020年1月至9月，不同温度下一期处理系统实际进出水平均TN的统计结果如图5(a)所示。冬季低温条件对硝化细菌的抑制作用导致出水TN整体呈现随进水温度的降低而升高的趋势。当进水温度为6.5 ℃时，出水TN达到峰值，为13.8 mg·L−1，低于出水水质标准中的15 mg·L−1。这表明，在一期处理系统的改造过程中，合理增大生化池池容以延长水力停留时间，采用膜分离技术大幅度提高生化池中的活性污泥浓度，降低污泥负荷，以及结合AAOAO的运行方式进一步削减出水中的硝酸盐氮含量，能够实现低温条件下出水TN的有效控制。
图 5 改造后不同温度下一期处理系统进出水水质Figure 5. Water quality at the inlet and outlet of the first stage treatment system at different temperatures after upgrade由图5(b)可知，不同温度条件下进水平均BOD5存在较大差异，在进水温度为20.0 ℃时，进水平均BOD5高达314.5 mg·L−1，约为设计进水BOD5的1.5倍，此时出水平均BOD5为3.8 mg·L−1，系统在该温度下的平均BOD5削减量达到310.7 mg·L−1。不同进水温度条件下，系统出水平均BOD5始终低于出水水质标准要求的6.0 mg·L−1，最低温度6.0 ℃时，系统出水平均BOD5仅为4.6 mg·L−1。这表明，降低生化系统BOD5污泥负荷的改造方式，明显提升了一期处理系统的抗冲击负荷及低温下的污染物削减能力。
2020年1月至9月，实际进出水水质及平均去除率如表3所示。1—2月，进水平均温度10.6 ℃，最低进水温度仅为6.0 ℃。3—4月，进水温度有所上升，但其平均值也仅为10.2 ℃。低温条件下，一期工程满负荷运行，在进水水质波动较大的情况下，实际出水水质仍能稳定达到《陕西省黄河流域污水综合排放标准》(DB 61/224-2018)中的A标准。
表 3 提标改造后实际进出水水质Table 3. Actual water quality of influent and effluent after the upgrade and reconstruction统计值或去除率 COD/(mg·L−1) BOD5/(mg·L−1) SS/(mg·L−1) NH4+-N/(mg·L−1) TP/(mg·L−1) TN/(mg·L−1) 进水 出水 进水 出水 进水 出水 进水 出水 进水 出水 进水 出水 最大值 740.0 29.00 379.0 5.70 405.0 9.00 87.30 2.75 12.70 0.33 96.80 13.80 最小值 227.0 11.10 110.0 1.80 110.0 4.00 29.00 0.03 1.78 0.01 31.50 4.50 平均值 423.7 19.10 211.4 4.17 202.7 4.34 63.50 0.60 5.52 0.11 68.94 10.66 平均去除率 95.49% 98.03% 97.86% 99.06% 98.00% 84.54% | Show TableDownLoad:
CSV
4. 工程投资及运行成本
本次提标改造工程投资概算总额为13 667.78万元。运行成本主要包括膜组件更换费用、动力消耗费用以及药剂消耗费用，总计约1 269.68万元·a−1。一期工程年处理污水1 825×104 m3，单位水处理成本约0.696 元·m−3。
5. 结论
1) 延安市污水处理厂一期工程污泥负荷偏高，导致该污水处理厂在冬季进水温度偏低时，系统出水难以稳定达标。5 ℃时，其理论TN及BOD5去除能力仅为32.9和128.2 mg·L−1，远低于45和190 mg·L−1的污染物去除需求。
2) 通过加高池体，将原氧化沟扩容至38 480 m3，在一定程度上延长了生化池总水力停留时间，但系统污泥负荷仍然较高。通过增设膜组件，与原生化池形成MBR工艺，将生化池平均污泥浓度提高至7 050 mg·L−1，相应反硝化污泥负荷和BOD5污泥负荷 (以每天单位MLSS的TN/BOD5测定值计) 分别降低至0.030 和0.033 kg·(kg·d)−1。通过重新构建生化池分区，在冬季低温或进水总氮较高时，可使生化池按照AAOAO运行方式，确保出水总氮稳定达标。
3) 提标改造后，5 ℃条件下延安市污水处理厂一期工程生化系统理论TN及BOD5去除能力分别提升至44.32 和286.19 mg·L−1，达到了污染物去除需求。在冬季低温或进水水质大幅度波动的情况下，实际出水水质可稳定达到《陕西省黄河流域污水综合排放标准》(DB 61/224-2018)中的A标准。
-
图 3 洱海 2019 年 10 月 12 日叶绿素 a 质量浓度分布图
Figure 3. Distribution of chlorophyll a mass concentration in Erhai lake on October 12th, 2019
图 4 洱海 2019 年 11 月 9 日叶绿素 a 质量浓度分布图
Figure 4. Distribution of chlorophyll a mass concentration in Erhai lake on November 9th, 2019
图 5 洱海 2019 年 11 月 9 日 Sentinel-2A真彩色合成图
Figure 5. Sentinel-2A true-color composite image of Erhai lake on November 9, 2019
表 1 Sentinel-2数据信息
Table 1. Sentinel-2 data information
序号 日期 卫星 产品级别 1 2019年11月9日 Sentinel-2A Level-2A 2 2019年10月12日 Sentinel-2B Level-2A
下载: 导出CSV
表 2 Sentinel-2传感器波段信息
Table 2. Spectral bands for the Sentinel-2 sensors
波段号 波段 Sentinel-2A Sentinel-2B 空间分辨率/m 中心波长/nm 波宽/nm 中心波长/nm 波宽/nm B1 沿海气溶胶 442.7 21 442.3 21 60 B2 蓝 492.4 66 492.1 66 10 B3 绿 559.8 36 559.0 36 10 B4 红 664.6 31 665.0 31 10 B5 植被红边 704.1 15 703.8 16 20 B6 植被红边 740.5 15 739.1 15 20 B7 植被红边 782.8 20 779.7 20 20 B8 近红外 832.8 106 833.0 106 10 B8a 窄波近红外 864.7 21 864.0 22 20 B9 水蒸气 945.1 20 943.2 21 60 B10 短波红外-卷云 1 373.5 31 1 376.9 30 60 B11 短波红外 1 613.7 91 1 610.4 94 20 B12 短波红外 2 202.4 175 2 185.7 185 20
下载: 导出CSV
表 3 各波段/波段组合反射率与叶绿素a质量浓度的相关性
Table 3. Correlation between reflectance of each band/band combination and chlorophyll-a mass concentration
波段/波段组合 Pearson相关系数 P 样本数 波段/波段组合 Pearson相关系数 P 样本数 B2 -0.148 0.435 30 B8/B6 0.297 0.110 30 B3 -0.099 0.602 30 B8/B7 0.470 0.009 30 B4 0.233 0.216 30 B7/B6 -0.713 < 0.001 30 B5 0.186 0.324 30 (1/B4-1/B5)×B6 -0.128 0.501 30 B6 0.811 < 0.001 30 (1/B4-1/B5)×B7 -0.086 0.653 30 B7 0.724 < 0.001 30 (1/B4-1/B5)×B8 -0.098 0.606 30 B8 0.788 < 0.001 30 (1/B4-1/B5)×B8a -0.070 0.713 30 B8a 0.694 < 0.001 30 (B6+B7)/(B8+B8a) -0.382 0.037 30 B5/B4 -0.009 0.963 30 (B6+B8)/(B7+B8a) 0.821 < 0.001 30 B8a/B6 0.081 0.669 30 (B8-B6)/(B8+B6) 0.363 0.048 30 B8a/B7 0.264 0.158 30 (B8-B7)/(B8+B7) 0.477 0.008 30 B8a/B8 -0.621 < 0.001 30 (B8-B4)/(B8+B4) 0.489 0.006 30
下载: 导出CSV
表 4 隐含层不同神经元个数的R2和RMSE
Table 4. R2 and RMSE of different numbers of neurons in the hidden layer
神经元个数 决定系数 均方根误差 3 0.770 0.004 5 4 0.925 0.002 8 5 0.564 0.005 1 6 0.335 0.004 7 7 0.587 0.006 1 8 0.361 0.004 9 9 0.791 0.007 4 10 0.851 0.004 5 11 0.661 0.007 1 12 0.418 0.007 9
下载: 导出CSV
表 5 检验数据对2种模型误差检验结果
Table 5. Error testing of two models using test data
样本编号 实测值/(mg·L−1) 线性回归模型估测值 BP神经网络估测值 线性回归模型相对误差/% BP神经网络相对误差/% 1 0.014 0 0.007 0 0.013 1 49.82 6.36 2 0.006 5 0.008 3 0.011 3 27.90 74.01 3 0.015 6 0.008 6 0.013 8 44.72 11.66 4 0.017 0 0.012 0 0.014 7 29.33 13.73 5 0.021 8 0.019 0 0.017 6 12.69 19.48 6 0.011 0 0.009 2 0.012 6 16.63 14.81 7 0.015 4 0.013 2 0.013 9 14.20 9.49 注：线性回归模型的平均绝对误差百分比(MAPE)为27.90%，均方根误差(RMSE)为0.004 5，决定系数(R2)为0.788；BP神经网络的平均绝对误差百分比(MAPE)为21.36%，均方根误差(RMSE)为0.002 8，决定系数(R2)为0.925。
下载: 导出CSV
-
[1] 彭文启, 王世岩, 刘晓波. 洱海水质评价[J]. 中国水利水电科学研究院学报, 2005,3(3): 192-198. doi: 10.13244/j.cnki.jiwhr.2005.03.007 [2] 项继权. 湖泊治理: 从“工程治污”到“综合治理”: 云南洱海水污染治理的经验与思考[J]. 中国软科学, 2013(2): 81-89. doi: 10.3969/j.issn.1002-9753.2013.02.009 [3] 马巍, 苏建广, 杨洋, 等. 洱海水质演变特征及主要影响因子分析[J/OL]. 中国水利水电科学研究院学报, 1-9(2021-06-23)[2022-06-10].https://kns.cnki.net/kcms/detail/11.5020.TV.20210623.1038.001.html. 10.13244/j.cnki.jiwhr.20200248 [4] 石宏博, 黄玥, 李杰, 等. 洱海水质评价及污染物来源分析[J]. 水电能源科学, 2021, 39(10): 72-75. [5] 张亚鹏. 真菌棘孢木霉SHS3对微囊藻的溶藻活性及其溶藻机制[D]. 南京: 南京大学, 2018. [6] CUI T W, ZHANG J, WANG K, et al. Remote sensing of chlorophyll a concentration in turbid coastal waters based on a global optical water classification system[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 163: 187-201. doi: 10.1016/j.isprsjprs.2020.02.017 [7] 周博天, 张雅燕, 施坤. 湖泊营养状态遥感评价及其表征参数反演算法研究进展[J]. 遥感学报, 2022, 26(1): 77-91. doi: 10.11834/jrs.20221232 [8] 王波, 黄津辉, 郭宏伟, 等. 基于遥感的内陆水体水质监测研究进展[J]. 水资源保护, 2022, 38(3): 117-124. doi: 10.3880/j.issn.1004-6933.2022.03.016 [9] 王林, 白洪伟. 基于遥感技术的湖泊水质参数反演研究综述[J]. 全球定位系统, 2013, 38(1): 57-61. doi: 10.3969/j.issn.1008-9268.2013.01.014 [10] 吴煜晨. 基于MODIS遥感数据源的内陆水体叶绿素a浓度反演算法综述[J]. 江西水利科技, 2017, 43(1): 14-18. doi: 10.3969/j.issn.1004-4701.2017.01.03 [11] 罗婕纯一, 秦龙君, 毛鹏, 等. 水质遥感监测的关键要素叶绿素a的反演算法研究进展[J]. 遥感技术与应用, 2021, 36(3): 473-488. [12] JOHANSEN R, BECK R, NOWOSAD J, et al. Evaluating the portability of satellite derived chlorophyll-a algorithms for temperate inland lakes using airborne hyperspectral imagery and dense surface observations[J]. Harmful Algae, 2018, 76: 35-46. doi: 10.1016/j.hal.2018.05.001 [13] 潘鑫, 杨子, 杨英宝, 等. 基于高分六号卫星遥感影像的太湖叶绿素a质量浓度反演[J]. 河海大学学报(自然科学版), 2021, 49(1): 50-56. [14] 郑震. 基于OLI遥感影像的叶绿素a质量浓度反演研究[J]. 灌溉排水学报, 2017, 36(3): 89-93. doi: 10.13522/j.cnki.ggps.2017.03.016 [15] 陈命男. 基于Landsat 8数据的淀山湖叶绿素a浓度遥感反演研究[J]. 中国资源综合利用, 2021, 39(2): 44-46. doi: 10.3969/j.issn.1008-9500.2021.02.015 [16] 但雨生, 周忠发, 李韶慧, 等. 基于Sentinel-2的平寨水库叶绿素a浓度反演[J]. 环境工程, 2020, 38(3): 180-185. doi: 10.13205/j.hjgc.202003030 [17] 马丰魁, 姜群鸥, 徐藜丹, 等. 基于BP神经网络算法的密云水库水质参数反演研究[J]. 生态环境学报, 2020, 29(3): 569-579. doi: 10.16258/j.cnki.1674-5906.2020.03.017 [18] 徐鹏飞, 程乾, 金平斌. 基于神经网络模型的千岛湖清洁水体叶绿素a遥感反演研究[J]. 长江流域资源与环境, 2021, 30(7): 1670-1679. [19] 张宏建, 王冰, 周健, 等. 基于BP神经网络的内陆河流水质遥感反演[J]. 华中师范大学学报(自然科学版), 2022, 56(2): 333-341. [20] 张娇, 陈莉琼, 陈晓玲. 基于FAI方法的洱海蓝藻水华遥感监测[J]. 湖泊科学, 2016, 28(4): 718-725. doi: 10.18307/2016.0404 [21] 杜芳芳. 湖泊流域土地利用变化与湖泊水质关系研究[D]. 昆明: 昆明理工大学, 2011. [22] 祁兰兰, 王金亮, 农兰萍, 等. 基于GF-1卫星数据的洱海干季水质时空变化监测[J]. 人民长江, 2021, 52(9): 24-31. doi: 10.16232/j.cnki.1001-4179.2021.09.005 [23] 毕顺, 李云梅, 吕恒, 等. 基于OLCI数据的洱海叶绿素a浓度估算[J]. 湖泊科学, 2018, 30(3): 701-712. doi: 10.18307/2018.0312 [24] KRAVITZ J, MATTHEWS M, BERNARD S, et al. Application of Sentinel 3 OLCI for chl-a retrieval over small inland water targets: Successes and challenges[J]. Remote Sensing of Environment, 2020, 237: 111562. doi: 10.1016/j.rse.2019.111562 [25] 冼翠玲, 张艳军, 张明琴, 等. 基于高分辨率多光谱影像的温瑞塘河水质反演模型研究[J]. 中国农村水利水电, 2017(3): 90-95. doi: 10.3969/j.issn.1007-2284.2017.03.020 [26] 杨斌, 李丹, 王磊, 等. 基于Sentinel-2A岷江上游地表生物量反演与植被特征分析[J]. 科技导报, 2017, 35(21): 74-80. [27] European Space Agency. Level-2A algorithm overview[EB/OL]. (2022-03-19)[2022-04-10].https://sentinel.esa.int/web/sentinel/technical-guides/sentinel-2-msi/level-2a/algorithm. [28] 赵姝雅. 基于遥感的白洋淀水质参数反演研究[D]. 廊坊: 北华航天工业学院, 2019. [29] 韩秀珍, 郑伟, 刘诚, 等. 基于MERSI和MODIS的太湖水体叶绿素a含量反演[J]. 地理研究, 2011, 30(2): 291-300. [30] 董舜丹, 何宏昌, 付波霖, 等. 基于Landsat-8陆地成像仪与Sentinel-2多光谱成像仪传感器的香港近海海域叶绿素a浓度遥感反演[J]. 科学技术与工程, 2021, 21(20): 8702-8712. doi: 10.3969/j.issn.1671-1815.2021.20.058 [31] 谢小红, 魏虹, 李昌晓, 等. 水淹胁迫下枫杨(Pterocarya stenoptera C. DC. )幼苗叶片高光谱特征的研究[J]. 西南大学学报(自然科学版), 2011, 33(4): 93-98. [32] 张德丰. MATLAB R2020a神经网络典型案例分析[M]. 北京: 电子工业出版社, 2021. [33] BUCKTON D, O'MONGAIN E, DANAHER S. The use of neural networks for the estimation of oceanic constituents based on the MERIS instrument[J]. International Journal of Remote Sensing, 1999, 20(9): 1841-1851. doi: 10.1080/014311699212515 [34] SCHILLER H, DOERFFER R. Neural network for emulation of an inverse model operational derivation of Case II water properties from MERIS data[J]. International Journal of Remote Sensing, 1999, 20(9): 1735-1746. doi: 10.1080/014311699212443 [35] 张丽华, 林茂森, 田英, 等. 环境因子对大伙房水库叶绿素α的影响研究[J]. 环境科学与技术, 2020, 43(4): 230-236. doi: 10.19672/j.cnki.1003-6504.2020.04.033 [36] 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. doi: 10.11873/j.issn.1004-0323.2009.1.63 [37] 岳佳佳, 庞博, 张艳君, 等. 基于神经网络的宽浅型湖泊水质反演研究[J]. 南水北调与水利科技, 2016, 14(2): 26-31. doi: 10.13476/j.cnki.nsbdqk.2016.02.006 [38] 杨柳, 韩瑜, 汪祖茂, 等. 基于BP神经网络的温榆河水质参数反演模型研究[J]. 水资源与水工程学报, 2013, 24(6): 25-28. doi: 10.11705/j.issn.1672-643X.2013.06.006 [39] 吴倩, 林蕾, 王学军, 等. 福海叶绿素含量的人工神经网络反演模型[J]. 地理与地理信息科学, 2004(4): 27-30. doi: 10.3969/j.issn.1672-0504.2004.04.007 [40] LIN S S, SHEN S L, ZHOU A, et al. Sustainable development and environmental restoration in Lake Erhai, China[J]. Journal of Cleaner Production, 2020, 258: 120758. doi: 10.1016/j.jclepro.2020.120758 [41] WANG X, DENG Y, TUO Y, et al. Study on the temporal and spatial distribution of chlorophyll a in Erhai Lake based on multispectral data from environmental satellites[J]. Ecological Informatics, 2021, 61: 101201. doi: 10.1016/j.ecoinf.2020.101201 [42] TAN W, LIU P, LIU Y, et al. A 30-year assessment of phytoplankton blooms in Erhai Lake using landsat Imagery: 1987 to 2016[J]. Remote Sensing, 2017, 9(12): 1265. doi: 10.3390/rs9121265 [43] 徐祎凡, 李云梅, 王桥, 等. 基于环境一号卫星多光谱影像数据的三湖一库富营养化状态评价[J]. 环境科学学报, 2011, 31(1): 81-93. doi: 10.13671/j.hjkxxb.2011.01.019 [44] 朱利, 李云梅, 赵少华, 等. 基于GF-1号卫星WFV数据的太湖水质遥感监测[J]. 国土资源遥感, 2015, 27(1): 113-120. -
点击查看大图
计量
- 文章访问数: 7328
- HTML全文浏览数: 7328
- PDF下载数: 175
- 施引文献: 0
