-
黑臭水体作为一种极端的水体污染现象，指的是在城市建成区的水体中呈现令人不悦的颜色和(或)散发令人不适气味的统称[1-3]，其不仅影响城市景观生态、破坏水生态系统，而且对城市居民的生产生活也有很大危害[4-7]。“十三五”期间，全国各地大力整治城市建成区黑臭水体，取得了显著成效。及时、准确识别黑臭水体并掌握其时空的分布规律，是加强各地黑臭水体治理过程动态监管和治理效果评价的重要依据。
针对黑臭水体的识别，传统方法是在河道、湖泊等水域内取样，通过实验室检测，根据各特征指标的浓度阈值判定黑臭水体级别[8-10]。该方法简单、准确性高，但其时效性差、成本高。同时，受水体面积大且水质易变化等特征的影响，传统的筛查方式已明显不能满足大范围、快速定位以及动态反映水质变化的需求。而遥感技术作为一种大范围的监测手段，与传统做法相比，具有低成本、覆盖广、速度快等优势，已经被广泛用于水环境监测领域[11-19]。
遥感影像数据识别不同水质水体的基本原理是：不同水体中各组分及含量的不同，会造成太阳辐射能量的吸收特性和散射特性的差别，遥感技术将测量得到的电磁反射信息转变为水体的光学特性(反射率、灰度及色阶等信息)，再由水体光学特性反向推导，从而得到水体各组分含量[20-26]，进而判定水质情况。随着国内外学者对遥感识别水体水质研究的不断深入，涌现了各种识别算法。这些识别算法分为目视解译、参量模型和机器学习3类。针对目视解译，内业人员在影像数据上识别疑似黑臭水体，再由外业人员进行现场复核，最终确定黑臭水体位置和范围。该方法准确度高，但是效率低，受主观因素影响较大。针对参量模型法，借助影像数据中1个或多个参数，建立其与黑臭水体的光学特征的关系函数来达到识别的目的。曹红业[9]基于实测遥感反射率构建了黑臭水体识别饱和度法和光谱指数法，建立黑臭水体水质参数与黑臭水体指数之间的相关关系；马跃良等[20]通过建立Landsat TM影像各波段灰度值与综合污染指数之间的回归关系，预测水质污染指数；王云鹏等[21]分析了不同水质水体可见光-近红外光谱与水质指标的关系，并通过对遥感影像进行变换和分类处理，区分水体水质；靳海霞等[22]利用高分二号(GF-2)卫星融合影像进行水质参数反演，利用水质参数浓度构建综合营养状态指数来判定河流黑臭情况；温爽等[23-24]根据黑臭水体光学特性提出了波段比值法，利用GF2影像构建了黑臭水体识别模型。针对机器学习，是指用大量的数据或以往的经验来“训练”，挖掘出其中隐含的规律(或称之为“知识”)并辅助决策和预测。该方法不需要过多地人为干预，而且时间效率高。近年来，机器学习在网络架构、训练策略和优化功能方面性能不断提升，使其在人脸识别、文本检测等目标识别领域扮演着越来越重要的角色[25-26]。但是，机器学习用于水体水质的识别方面研究还较少。何红术[27]利用GF-2影像数据，基于改进U-Net网络对青岛市黑臭水体进行识别，整体识别准确率最高达87.04%；邵琥翔等[28]使用PSPNet和U-Net模型对河北省廊坊市的黑臭水体进行对比实验研究，精确率达到85.02%。
黑臭水体的形成机制十分复杂，受污染物种类和环境等多种因素的影响[29-33]。其主要影响因素可归纳为污染物排放、内源污染和水动力条件等几类。污染物排放是黑臭水体形成的直接原因，其主要来自生活污水、工业废水、畜禽养殖场排放等。这些物质进入水体后，导致水中的溶解氧被大量消耗，在一定温度条件下，厌氧微生物大量繁殖，将复杂有机物分解，产生臭味和黑色悬浮物。内源污染是黑臭水体形成的重要因素，是指在水力冲刷、微生物活动的影响下，蓄积在底泥中的污染物通过矿化作用、扩散作用进入水体，进而加剧水体黑臭现象。水动力条件不足也是黑臭水体形成的重要因素之一，水量不足且流速低缓导致污水滞留、垃圾沉淀、水体富氧速率衰减，使水体自净能力减弱，从而形成黑臭水体。然而现有的黑臭水体的影响因素分析多停留在定性描述，影响因素与黑臭水体的定量关系的研究鲜有报道。
本研究以北京市为主要研究区域，基于“北京二号”影像数据和实验室检测水样数据，采用Faster R-CNN算法动态监测治理期间(2015—2018年)的黑臭水体时空变化情况，定量分析河网、地形、土壤、生活垃圾和畜禽养殖场排放等因素对黑臭水体形成的贡献率，旨在为城市黑臭水体动态监测和治理提供参考。
-
北京市位于华北平原北端，东面与天津市毗连，其余均与河北省相邻。北京市中心位于东经116°20′、北纬39°56′，全市下辖16个区，总面积16 410.54 km2。
北京市境内的部分河流长期受工农业污水、居民生活污水、生活垃圾等影响，黑臭水体现象日益凸显[8,10]。2015年底发布的《北京市城市黑臭水体清单》显示，北京市达到黑臭水体的共有105条河流(141条河段，长度约665 km)，其中重度黑臭水体74段，轻度黑臭水体67段。这些黑臭水体主要集中在通州区、大兴区和朝阳区，占74.3%[10]。自2013年以来，北京市先后采取了2个污水治理行动[34-35]，均取得了阶段性成果。《北京市进一步加快推进污水治理和再生水利用工作三年行动方案(2016年7月—2019年6月)》[35]中提出“要求2018年底前治理完成全市141条黑臭水体”的目标。
-
1)遥感监测数据。实验中使用的遥感数据来自“北京二号”卫星，它是由3颗0.8 m全色、3.2 m多光谱分辨率的光学遥感卫星组成的，具有高空间分辨率、高时间分辨率和高辐射分辨率的特点[36]。
在实验过程中，提取2015年第4季度、2017年第4季度、2018年第4季度及2016年全年4个季度共7期数据，处理工作是在ENVI 5.3软件中实现的。预处理操作包括正射校正、辐射定标、大气校正、影像融合、影像镶嵌等。
2)水质监测数据。于2015年12月15日、2016年2月29日、2016年5月15日、2016年7月20日、2017年12月15日和2018年12月15日多次开展野外水质实验。采样位置涵盖萧太后河、温榆河、大石河、通惠干渠、张坊大桥、榆林庄、后沙涧、潮河主坝、白河主坝、斋堂水库、半城子水库、白河堡水库等约400处，涉及74个地表水考核断面和96个水环境区域补偿断面(主要涉及区界、乡镇界交界处)、其他非考核断面处的点位(包括建成区78个、非建成区78个、通州副中心及上游48个)。各处取1~2个设计实验点位，采样点平均间隔约为10 km。每个采样点采集 200 mL 水样，装入水样瓶进行密封、标号。为防止样品变质，在野外实验期间，将采集的水样均放置在阴凉干燥处保存，实验完成后立刻交送实验室进行水质参数浓度测量。
本研究参照《城市黑臭水体整治工作指南》、魏文龙等[8]和曹红业[9]的研究中关于黑臭水体的监测指标体系，现场测量透明度、溶解氧和氧化还原电位。将采集水样送至检测机构测量水体氨氮，并对现场黑臭情况进行人工判别，最终用于对正常水体、轻度黑臭和重度黑臭水体样本进行标识或验证。从中随机抽取200份样本，用于验证识别算法效率，其余样本均用于识别算法的训练样本和测试样本。
3)其他数据。为确保数据的准确性、真实性和可靠性，本研究选取河网数据、排污口数据、土地利用数据、高程数据、土壤类型数据、土壤全氮数据、人口密度数据、养殖场数据等，这些数据的具体情况如下。
①河网数据。采用北京市2012年第1次水务普查成果中的425条河流、41个湖泊以及88座水库中的数据，数据格式为矢量格式(线对象)。
②排污口数据。采用第1次水务普查成果中的入河排污口数据，数据格式为矢量格式(点对象)。
③土地利用数据。该数据来自中国科学院地理科学与资源研究所资源环境科学与数据中心(简称为科学数据中心，网址为https://www.resdc.cn/，数据详情详见网站)，基于Landsat TM影像通过人工目视解译生成，空间分辨率为30 m×30 m的栅格数据，采集日期为2015年。
④高程DEM(Digital Elevation Model，数字高程模型)数据。该数据为来自科学数据中心、空间分辨率为30 m×30 m的栅格数据，采集日期为2015年。
⑤土壤类型数据。该数据为来自科学数据中心、空间分辨率为1 km×1 km的栅格数据。
⑥土壤全氮数据。在大兴区范围内设计采样，采样密度为1个·km−2，共有 840 个采样点。采样时，除利用GPS获取样点地理坐标外，每个采样点采集土壤耕层(0~20 cm)样品，每个样品由采样点周边地区50 m范围内的5~10 个土壤子样组合而成，测定方法采用“凯氏定氮法”[37]，采样日期均为2015年10月。
⑦人口密度数据。该数据为来自科学数据中心、空间分辨率为1 km×1 km的栅格数据，采集日期为2015年。
⑧养殖场数据。该数据来自北京市大兴区统计年鉴(2015年)[38]。在处理数据过程中，根据养殖场的名称，做地理匹配，得到矢量格式的数据。
-
1) Faster R-CNN算法。Faster R-CNN算法作为深度学习目标检测领域较为经典的算法之一[39-42]，其算法流程如图1所示。
如图1所示，输入层的图像先经由基础的特征提取网络进行卷积和池化操作，获取图像的特征图，再将特征图传送到RPN(region proposal network)网络，由RPN网络进行初步的边框回归和分类判别，分类的依据是候选框中是背景还是待识别物体。RPN网络输出候选框的位置和权重信息，由全连接层发送到Fast R-CNN网络中进行最终的处理，包括边框最终的回归和待识别物体的具体的分类(一般水体、轻度黑臭水体和重度黑臭水体)[41-42]。
本研究根据覆盖区域无云、成像效果较好、能覆盖北京市辖区等原则选取影像，最终选取多时相“北京二号”遥感影像数据，并且对影像数据进行几何校正、辐射定标、大气校正、影像拼接与裁剪等预处理后，进行黑臭水体的识别。具体实现步骤如下。
首先，将现有的水域范围作为掩膜(采用北京市第1次水务普查成果中的425条河流，41个湖泊以及88座水库，水域总面积约为530 km2)，提取出影像中的水体。这样做一方面可以减小因数据量大导致的训练时间成本高，另一方面可以大大提高训练结果的准确性。同时，为便于模型训练，提取水样图像中央100×100像素的小块影像(切片)，以标签二值图像中每一连通域作为一个水体对象，显示不全的水体将不作为样本参与训练。
然后，随机选取影像数据集(近3×104张切片，每期6 000余张，共4期)中的80%作为训练样本集(对于训练集再按照4：1的比例随机分为训练数据集和验证数据集)，剩余的20%作为测试集。使用ImageNet模型进行网络初始化，获得初始参数和权重。再通过迭代训练方式(每个阶段依次RPN和Fast R-CNN)，直至网络收敛，得到网络模型。运行该网络模型对切片进行检测，检测到的黑臭水体用边框加以标注。
最后，基于空间连续性原则，将得出的黑臭水体几何数据进行合并汇总：若相邻单元均判别为黑臭水体，则将这2个单元归为同一条黑臭河段，否则划分为2条河段。
实验在NVIDIA GeForce GTX 1060上完成，实验平台为CPU Intel(R)Core (TM) i7-8700 3.19 GHz。基于Faster R-CNN算法的水质检测模型在tensorflow环境下搭建。实验中采用速度(张·s−1)与平均精确率mAP(mean Average Precision，平均精度均值)[39]对模型性能进行评价。
2)地理探测器。地理探测器是探测地理事件影响因素的统计学方法[43-46]，能有效地识别多因素与地理现象之间的作用关系，由因素探测、风险探测、生态探测和交互探测4个部分组成[43]。因素探测可用于测定因素Ｘ对变量Ｙ的贡献率[43]。本研究将采用地理探测器对黑臭水体的影响因素进行判别，并借助
q 值来衡量各因素对黑臭水体空间分布的贡献率，计算方法[43]见式(1)。式中：
h 为黑臭水体各影响因素的分层；N 和Nh 分别为全区和层h 的单元数量；σ 和σh 分别为全区和层h 的方差；q 的取值范围为0~1，该值越大，说明该因子对水体黑臭的贡献率越大。相关软件及操作详情请登录相关网站www.geodetector.cn。本研究的因变量是每公里格网内的黑臭水体的长度。自变量是指直接造成或间接影响导致黑臭水体形成的主客观因素，遴选出河网密度、土地利用类型、高程、每公里格网的人口密度、与最近排污口的距离、与最近养殖场的距离、土壤类型、土壤全氮量8种潜在的影响因素。根据模型需要，对连续变量(河网、DEM、土壤全氮量、人口密度等)进行分级处理，而其他分类变量(土地利用、土壤类型)不需要再做加工处理。
本研究的空间数据运算采用Arcgis 10.2等软件完成。
-
采用Faster R-CNN算法，对2016年2月19日的“北京二号”影像数据，进行黑臭水体的识别。识别结果见图2。
由图2可以看出，3类水体在颜色特征和透明度上是有明显差别的。颜色由浅变深依次为一般水体(清洁水面)>轻度黑臭(浑浊水体)>重度黑臭(极浑浊水体)。由于浮游植物具有不同的吸收特征，故吸收系数大小有所不同，透明度由大到小依次为一般水体<轻度黑臭<重度黑臭。
为了验证遥感识别的效果，对研究区域内部分水体进行了实地验证。水样检测方法如前所述。不同水质水体检测效果见表1。
此次实地验证的点位为200个，识别正确的点位为179个，遥感识别准确率达89.5%。影响遥感识别正确的原因有许多种，包括验证的时间和遥感影像获取时间不一致、实地验证过程中人的主观因素(对于水体、沿岸颜色及气味的判定)、部分水体区域过于狭窄导致影像无法识别、事物本身相似度过高(如正常水体与轻度黑臭、轻度黑臭与重度黑臭水体)、影像数据质量(亮度过暗、过亮，建筑物阴影、季节性河道干涸等)等。
在本研究中，将常用的目标检测算法SSD(single shot multibox detector)和YOLO(you only look once)与Faster R-CNN算法进行对比分析，结果如表2所示。
由检测性能中全局精度指标可以看出3种算法差距不大。但是在检测效率方面，Faster R-CNN算法明显优于其他2个算法，每秒大约检测18 张图片。在GPU上预测单幅图像花费的平均时间为3~20 s。使用此方法处理建成区内的水体，短时间内(5~33 h)即可完成黑臭水体筛查工作(使用传统方法大致需要花费1 a左右的时间)，检测效率大大提高。
-
本研究基于2015—2018年每年第4季度“北京二号”影像数据，采用Faster R-CNN算法对北京市黑臭水体进行动态监测，结果见图3。
2015—2018年研究区内黑臭水体的时空分布结果表明：2015年底，水体黑臭情况非常严重，辖区范围内不同河段都出现了不同程度的黑臭现象。其中：轻度黑臭集中在通州区和大兴区，其余大部分分布于顺义区、朝阳区、昌平区和房山区等地，丰台区无轻度黑臭水体；而重度黑臭水体主要在朝阳区、大兴区和通州区等地。到2016年底，黑臭水体集中在朝阳区、通州区和大兴区。水体环境改善效果微弱，只有通州区的黑臭水体有明显下降，而其他区均出现了不同程度的水体反黑现象，如朝阳区和大兴区等地的黑臭水体长度变长，海淀区和昌平区的黑臭水体段数增多。到2017年底，全市水体环境整体有了明显的改善，效果显著的地区有丰台区、通州区、昌平区和大兴区，而房山区治理效果最为微弱。就分布区域来看，轻度黑臭主要集中在房山区和大兴区，其余大部分分布于朝阳区和顺义区、大兴区和昌平区等地，丰台区、海淀区和通州区均无轻度黑臭水体；而重度黑臭水体主要在朝阳区和房山区等地，顺义区已无重度黑臭水体。截至2018年底，分布在北京城乡建成区的141条段黑臭水体，全部还清变绿。
北京市各区按照“一河一策”的原则制定具体河段治理的工作方案，采取控源截污、垃圾清理、清淤疏浚、水系连通、生态修复等措施，扎实推进黑臭水体治理工作。由《北京市加快污水治理和再生水利用设施建设三年行动方案(2013-2015年) 》[34]、《北京市进一步加快推进污水治理和再生水利用工作三年行动方案(2016年7月-2019年6月) 》[35]及具体的实施进度可以看出：遥感影像识别出的黑臭水体信息基本符合专项治理工作的实际进展。2016年，共治理了60条段黑臭水体(长度约为302.02 km)，从遥感影像提取黑臭水体285.54 km，监测准确率为78.67%；2017年，共治理87条段黑臭水体(长度约为331.5 km)，从遥感影像提取黑臭水体190.88 km，监测准确率为83.5%；截至2018年底，全市建成区内实现全部消除黑臭水体的目标，从遥感影像也没有提取出黑臭水体。出现这种情况的原因可能是：遥感影像数据空间分辨率为亚米级，导致黑臭水体过窄或者面积过小不易被识别，并且水质极易发生变化，水体反黑等现象时有发生。
北京市黑臭水体治理虽然见效快，但是持续性差。考虑到水质变化速度快，本研究选取2016年4期(1季度1期)的影像数据，对比一年内黑臭水体的变化情况，结果见图4。
由图4可以看出，黑臭水体的数量在4个季度中出现了波动，第1季度最好(黑臭水体数量最少)，第2、3季度黑臭水体数量越来越多，而到了第4季度又有好转趋势。轻度黑臭的水体，在第3季度最多，第1、2和4季度数量相当；而重度黑臭的水体在第1季度到第2季度之间增幅较大，第3季度到第4季度期间锐减。该结果与“枯水期(2—5月)黑臭现象最严重，丰水期次之，平水期水质最佳”的结果[8]不完全一致。其原因可能是：同一水体黑臭状况随时间变化而变化，而2016年雨季雨量偏多，导致雨水冲刷，对河道水质有一定影响。
-
本研究遴选出河网密度、土地利用、高程、人口密度、与最近排污口的距离、与最近养殖场的距离、土壤全氮量等8个变量作为黑臭水体的潜在影响因素。选择的依据包括5个方面。①河网分布。单位面积内的河流数目、弯曲度等指标直接影响污染物稀释程度[29]。②研究区地形特征。地势、坡度等参数决定了河网的流向，上游一旦被污染，在扩散作用下势必影响到下游水质；而不同下垫面对水质产生的影响不同，已有研究[30]显示，林地、绿地对水环境有改善作用，建设用地对水环境有污染作用。③土壤情况。土壤类型对降水的渗透性能是径流量模型的主要参数之一；水土流失导致土壤中的氮素随地面径流进入河流、湖泊，水体富营养化严重影响水体生态环境[31]。④沿岸排污。排污口排放的污水会导致水体溶解氧降低，水体透明度下降，有毒有害物质增加，水体颜色发生改变，甚至发出恶臭；而养殖场排放的粪尿，由于其淋溶性很强，其中的氮、磷及水溶性有机物等淋溶量很大，会通过地表径流和渗滤进入水体。⑤人口因素。作为衡量研究区内人们的生产生活重要指标，人口因素直接影响污染物的排放。
本研究选取北京市大兴区为典型区域，对黑臭水体的影响因素进行定量分析，结果如表3所示。
由表3可以看出，几种因素均与城市黑臭水体的空间布局呈一定相关性。土壤全氮含量(
q 值为32.07%)、周边养殖场分布(q 值为27.04%)这2个因素对黑臭水体的贡献率较强；高程(q 值为8%)、土壤类型(q 值为7.6%)、土地利用(q 值为6.1%)等因素对黑臭水体的贡献率较弱。此外，所选取的因素均通过了检验，结果均在99%的置信度下。 -
1) 采用Faster R-CNN算法识别“北京二号”影像数据中的黑臭水体，识别的准确率达89.5%；Faster R-CNN算法与SSD、YOLO算法对比结果表明，Faster R-CNN算法识别效率明显优于SSD、YOLO算法。因此，Faster R-CNN算法可以辅助实现黑臭水体筛查、治理过程监督和治理成效评估等，并可极大地提高筛查效率。
2) 北京市黑臭水体在专项治理期间(2015—2018年)，黑臭水体数量虽呈逐年递减趋势，但期间也有部分水体出现反黑现象。到2018年底，141条段黑臭水体全部还清变绿；但是，水体环境在一年内的波动较大，第1季度最好，第2、3季度逐渐变差，而到了第4季度又有好转。
3) 使用地理探测器来定量分析各影响因素对黑臭水体形成的贡献力大小，结果表明：土壤全氮含量(
q 值为32.07%)、与最近养殖场的距离(q 值为27.04%)2个因素的贡献率较强；高程(q 值为8%)、土壤类型(q 值为7.6%)、土地利用(q 值为6.1%)3个因素的贡献率较弱。4) 在深度学习识别目标地物方面，本研究仅考虑了水域面积相对较大的水体对象，而对黑臭面积较小的目标对象及有遮挡的水体对象考虑不够全面，亦未全面考虑各潜在的影响因素。因此，在下一步的研究中，应纳入更多因素，如气象因子(如降尘)、污染排放(如管线)等；并通过非线性模型等手段，探讨外界环境因素与黑臭水体的阈值效应、滞后效应等关系。
北京市黑臭水体治理的动态遥感监测及影响因素分析
Dynamic remote sensing monitoring and its influence factors analysis for urban black and odorous water body management and treatment in Beijing, China
-
摘要: 为及时、准确掌握黑臭水体治理进展，基于“北京二号”影像数据和同期的野外综合水体实测数据，采用深度学习算法对黑臭水体进行识别，并引入地理探测器对黑臭水体影响因素进行定量分析。结果表明：基于Faster R-CNN算法的黑臭水体遥感识别，总准确率达到90%左右，短时间内(5~33 h)即可完成北京市建成区黑臭水体的筛查工作；在空间维度上，黑臭水体主要分布在中心城区以外，并在通州区、朝阳区和大兴区较为集中；在时间维度上，专项治理期间(2015—2018年)内，黑臭水体的数量和长度总体趋势都是递减的，但偶尔也有反黑现象；2018年底，在全市建成区范围内，已全面消除黑臭现象；在一年内，第1季度水体环境最好，第2季度次之，第3季度最差，从第4季度开始好转；在北京市大兴区，土壤全氮量(贡献率为32.07%)和周边养殖场排污(贡献率为27.04%)是黑臭水体形成的主要影响因素，高程(贡献率为8%)、土壤类型(贡献率为7.6%)和土地利用类型(贡献率为6.1%)的贡献率较弱。由此可以看出，基于Faster R-CNN算法识别影像中的黑臭水体识别准确率高，可及时、准确地监测城市黑臭水体治理情况，使用地理探测器可定量分析并确定各影响因素的贡献率。本研究成果可为城市黑臭水体的动态监测和治理提供有力的技术支撑。Abstract: To timely and accurately grasp the progress of black and odorous water body management and treatment, as well as its spatial-temporal distribution, based on the "Beijing No.2" image data and the field monitoring data of surface water quality detected at the same time, the deep learning algorithm was used to identify the black and odorous water body with different water quality, and the geographic detector was introduced to quantitatively analyze the causes of black and odorous water bodies. The results show that: the total accuracy of the remote sensing identification of the black and odorous water body based on fast r-cnn algorithm was about 90%, and the screening of the black and odorous water body in the built-up areas in Beijing could be fulfilled within a few hours. In spatial dimension, the black and odorous water body mainly distributed outside the central city, and concentrated in the North Canal and Daqinghe River Basin. In temporal dimension within special treatment, the number and length of black and odorous water generally decreased, while the back to black and odorous water body occurred occasionally. At the end of 2018, the black and odorous water bodied were eliminated in the built-up areas in Beijing. Among the four quarters of one year, the best water environment occurred in the first quater, and then was the second quater, the worst was the third quarter and it changed better in the four quarter. Daxing District was selected as the representative to analyze its causes, and eight indicators of internal and external sources were selected as risk factors. The soil nitrogen content(contribution rate of 32.07%) and sewage discharge from surrounding livestock farm (contribution rate of 27.04%)were the dominant factors, while altitude(contribution rate of 8%), soil type(contribution rate of 7.6%) and land use(contribution rate of 6.1%) contributed less to the black and odorous water body. Therefore, it could accurately identify black and odorous water body in high-resolution remote sensing images based on fast r-cnn algorithm, the technical framework is simple, which will help to timely and comprehensively grasp the distribution and treatment progress of black and odorous water body. At the same time, the quantitative analysis of the causes of black and odorous water body also provides a strong technical support for urban black and odorous water remediation.
-
城市地表灰尘是一种物质组成和来源复杂的环境介质，是城市环境中重金属等污染物质的源汇载体[1-2]。重金属作为一种潜在有毒污染物，具有环境持久性、难以降解性和有毒性等特点[3]。重金属微粒可以跟随地表灰尘在一定的动力条件下通过再悬浮过程进入大气，还可以通过淋洗和径流等作用污染地表水和地下水，通过食物链循环、呼吸吸入、皮肤直接接触、手-口摄入等途径进入人体[4]，危害环境系统和人类健康[5-6]。
公园作为现代城市建设中不可或缺的一部分，承载着市民和旅游者休闲、锻炼、社交和传播集体文化的功能，特别是在如今快节奏的城市生活中，扮演着市民放松和缓解压力“避难所”的角色[7]。而对于工业化以来日渐严重的环境污染、城市热岛效应、雾霾天气等城市病，城市公园也起着吸烟滞尘、调节城市小气候、维系城市生态平衡等多种生态功能[8]。对于放松警惕和戒备心来到公园游玩的人们而言，评价城市公园灰尘重金属污染状况就成了评价城市生态环境质量的一个重要方面[9]。近年来国内已经开展了一些关于公园灰尘重金属的研究，研究成果涉及公园灰尘重金属的污染特征[4, 9-11]、形态分布[12]、粒径效应[13]、磁性特征[14]、健康风险评价[15-17]以及生物有效性[17]等方面。研究对象均为单个城市，对城市公园灰尘重金属含量在全国范围内的空间分布特征及富集状况对比，以及社会经济发展状况对公园灰尘重金属的影响，目前还鲜见报道。而对全国公园灰尘重金属的研究，可以从宏观尺度上了解中国城市公园灰尘的重金属空间分布特征，对认识自然和人为的影响作用具有重要意义，为城市居民健康防护和城市环境管理规划提供科学依据。
本研究汇总了从2002年到2018年中国15个城市有关公园灰尘重金属的数据[4, 7, 9-21]，对城市公园灰尘重金属含量进行空间分析，利用累积指数分析其富集状况，对社会经济发展指标与公园灰尘重金属含量进行相关性分析，并对其影响因素进行了探讨。
1. 材料与方法(Materials and methods)
1.1 材料来源
本研究从公开发表的相关文献中，收集了2002—2018年间中国城市公园灰尘中重金属含量数据[4, 7, 9-21]，主要收集的重金属元素有Cr、Cu、Zn、Pd、Ni和Cd等 6种元素。共收集到有关Cr、Cu、Zn、Pd、Ni和Cd含量的研究数据分别为14个、15个、14个、14个、12个和10个，数据均选用其平均值。收集的数据中研究区域包含上海市[4]、北京市[7]、包头市[9]、天津市[10]、福州市[11]、青岛市[12]、长春市[13]、武汉市[14]、开封市[15]、西安市[16]、焦作市[17]、乌鲁木齐市[18]、南京市[19]、东莞市[20]和漳州市[21]。社会经济发展指标数据摘自各城市国民经济与社会发展公报以及各城市统计年鉴[22-36]，因当年社会经济发展的影响主要在后期的灰尘污染中表现[37]，故本文以各城市公园采样时间前一年的社会经济数据，文献中没有说明采样时间的则以发表时间前一年的社会经济数据，与公园灰尘重金属含量进行相关性分析。数据包括∶总人口、地区生产总值、工业生产总值、原煤、民用汽车拥有量，其中长春、西安、福州的原煤无数据，武汉市的民用汽车拥有量无数据。本文城市公园灰尘的重金属表格数据采用Excel 2019完成，运用SPSS19.0统计软件对社会经济发展指标与重金属元素的相关性进行处理和统计分析。
1.2 研究方法
累积指数法 为评价灰尘重金属的累积现状，以各省份土壤重金属背景值为基准，累积指数[38]按下式计算∶
Ii=CiCj 式中，
Ii Ci Cj i 2. 结果与讨论(Results and discussion)
2.1 公园灰尘重金属的空间分布
从表1可以得出，公园灰尘中Cr元素的最高值位于东莞市，为2874.10 mg·kg−1，最低值位于乌鲁木齐市，为51.56 mg·kg−1。同时，Cr 含量的高值区分布于东部地区的上海市、南京市以及中部地区的包头市等地，东北地区的长春市、中部地区的开封市和武汉市等地为低值区。Cu元素的最高值为627.40 mg·kg−1，出现在东莞市，最低值出现在包头市，值为26.90 mg·kg−1，其高值区主要分布在东部地区，而低值区为西北地区的乌鲁木齐市、东北地区的长春市和中部地区的包头市、开封市、武汉市等地。Zn含量的最高值出现在东莞市，为4733.10 mg·kg−1，最低值为49.70 mg·kg−1出现在包头市，其高值区主要出现在东部地区和中部地区，低值区与Cu元素的低值区相似。Cr、Cu和Zn元素的最高值均出现在东莞市城市公园灰尘中，可能主要受到莞城区公园辖区内莞城工业科技园以及交通流的影响[20]。Pb的最高值为416.63 mg·kg−1，出现在上海市，其高值区分布在东部地区的北京市、南京市和中部地区的西安市、开封市等地区，而最低值出现在包头市值为36.20 mg·kg−1，其低值区分布在西北地区的乌鲁木齐市和中部地区的焦作市等地区。包头市城市公园灰尘中Cu、Zn和Pb元素含量最低，明显低于其他城市，这可能与其他城市有较高的交通流有关[9]。Ni的高值区主要位于东部地区，最高值出现在南京市，为115.00 mg·kg−1，其低值区主要位于东北地区，最低值出现在长春市，值为23.08 mg·kg−1。Cd含量的最高值和最低值分别为1.92 mg·kg−1和0.30 mg·kg−1，出现在南京市和乌鲁木齐市，高值区出现在东部地区，如青岛市和上海市等地，低值区则出现东北地区和西北地区。城市公园灰尘中Ni和Cd元素的最高值均出现在南京市，可能与其能源使用模式——燃煤以及交通有关[19]。
表 1 公园灰尘样点数据统计Table 1. Statistics of park dust samples城市City 采样时间Sampling time 样品量Sample amout 重金属含量/（mg·kg−1)Heavy metal content 数据来源Data sources Cr Cu Zn Pb Ni Cd 上海 — 44 162.59 235.89 906.29 416.63 92.19 1.58 [4] 北京 2010年4—7月 50 69.33 72.13 219.2 201.82 25.97 0.64 [7] 包头 2014年5月 26 154.1 26.9 49.7 36.2 25.1 — [9] 天津 2012年11—12月 51 103.18 113.18 — 63.32 40.58 1.14 [10] 福州 2011年6月和11月 11 78.21 111.04 386.62 73.81 — 0.58 [11] 青岛 — 128 — 109.27 326.88 126.02 — 1.79 [12] 长春 2013年6月 28 59.28 37.82 169.26 69.12 23.08 0.33 [13] 武汉 2002年9月 58 64.1 58.4 313.35 85.5 25.8 — [14] 开封 2014年3月 52 53.25 44.29 240.27 144.84 23.15 1.02 [15] 西安 2009年4—5月 20 125.2 91 337.2 147.4 35.8 — [16] 焦作 2016年2月 41 112.07 49.85 374.3 55.26 51.7 1.25 [17] 乌鲁木齐 2017年10—11月 83 51.56 29.66 184.3 36.6 31.59 0.3 [18] 南京 2014年6月 60 133 141 585 119 115 1.92 [19] 东莞 — 31 2874.1 627.4 4733.1 — — — [20] 漳州 2018年11月 83 61.74 77.89 379.95 71.74 25.2 — [21] | Show Table
DownLoad:
CSV
从整体上来看，Cr、Cu、Zn、Cd 的4种重金属含量的空间分布具有相似性，东部地区为高值区，东北地区和西北地区为低值区；Pb和Ni具有相似的空间分布特征，东部地区和中部地区为高值区，西北地区则为低值区。在全国范围内，东部地区的公园灰尘重金属含量普遍较高，特别是东南沿海的东莞市、南京市和上海市等地。
2.2 公园灰尘重金属的累积水平
根据收集的15个城市公园灰尘重金属数据，查阅资料获取所需的各省、直辖市以及自治区重金属元素的土壤背景值（涉及新疆维吾尔自治区[18]、内蒙古自治区[39]、吉林省[40]、北京市[7]、天津市[10]、山东省[41]、河南省[17]、陕西省[16]、江苏省[42]、上海市[4]、福建省[43]和广东省[20]），将城市公园灰尘重金属含量与土壤背景值进行对比，并利用累积指数法计算出各城市公园灰尘重金属元素的累积水平(表2)。
表 2 城市公园灰尘重金属浓度累积指数Table 2. city park dust concentration of heavy metal accumulation index城市City Cr Cu Zn Pb Ni Cd 背景值/(mg·kg−1)Background value 累积指数Accumulation index 背景值/(mg·kg−1)Background value 累积指数Accumulation index 背景值/(mg·kg−1)Background value 累积指数Accumulation index 背景值/(mg·kg−1)Background value 累积指数Accumulation index 背景值/(mg·kg−1)Background value 累积指数Accumulation index 背景值/(mg·kg−1)Background value 累积指数Accumulation index 上海 75 2.17 28.59 8.25 86.1 10.53 25.47 16.36 31.9 2.89 0.13 12.15 北京 66.7 1.04 18.7 3.86 57.5 3.81 24.6 8.2 26.8 0.97 0.12 5.33 包头 56.4 2.73 19.2 1.4 55.7 0.89 18.8 1.93 24.5 1.02 0.045 — 天津 84.2 1.23 28.8 3.93 79.3 — 21 3.02 33.3 1.22 0.09 12.67 福州 41.3 1.89 21.6 5.14 82.7 4.67 34.9 2.11 13.5 — 0.054 10.74 青岛 62 — 22.6 4.83 63.3 5.16 23.6 5.34 27.1 — 0.132 13.56 长春 50.17 1.18 17.96 2.11 59.47 2.85 20.4 3.39 23.07 1 0.09 3.61 武汉 90 0.71 32 1.83 79 3.97 25 3.42 40 0.65 0.12 — 开封 65.7 0.81 19.9 2.23 61.9 3.88 25.4 5.70 30 0.77 0.07 14.57 西安 62.5 2 21.4 4.25 69.4 4.86 21.4 6.89 28.8 1.24 0.094 — 焦作 65.7 1.71 19.9 2.51 61.9 6.05 25.4 2.18 30 1.72 0.07 17.86 乌鲁木齐 49.3 1.05 26.7 1.11 68.8 2.68 19.4 1.89 26.6 1.19 0.12 2.5 南京 76 1.75 22.3 6.32 73 8.01 26.8 4.44 32.9 3.5 0.151 12.72 东莞 50.5 56.91 17 36.91 51 92.81 36 — 27.7 — 0.04 — 漳州 41.3 1.49 21.6 3.61 82.7 4.59 34.9 2.06 13.5 1.87 0.054 — | Show TableDownLoad:
CSV
参照中国各省份的土壤背景值，通过累积指数法，得出各城市公园灰尘中Cr、Cu、Zn、Pb、Ni和Cd的累积程度。其中，累积指数小于1则表示无累积情况，大于1时越接近于1则表示累积程度越低[14]。如表2所示，各城市公园灰尘中Cu、Pb、Cd的累积指数均大于1，表明各城市公园灰尘中这3种重金属元素的含量均超过各省的土壤背景值存在累积状况，累积程度最高的为Cd，焦作市城市公园灰尘中Cd元素的累积指数最大，达到17.86，而且大部分城市公园灰尘Cd的累积指数均达到10倍以上。上海市城市公园灰尘中Pb元素的累积程度超过其土壤背景值的10倍以上，累积指数达到16.36，为Pb含量的最高累积水平。Cu在东莞市的累积情况最为严重，累积指数为36.91，其次为上海市（8.25）。除武汉市和开封市以外，各城市公园灰尘中Cr的累积指数均大于1，表现出绝大多数城市公园灰尘中Cr均有不同程度的累积，最高的累积指数出现在东莞市，达到56.91。除包头市Zn元素的累积指数小于1以外，其他城市公园灰尘中Zn的累积指数均大于1，其中东莞市和上海市的累积指数达到10倍以上，分别为92.81和10.53。北京市、武汉市和开封市城市公园灰尘中Ni元素的累积指数分别为0.97、0.65和0.77，表明其无累积情况，并且其他城市公园灰尘中Ni的累积指数均小于4，表明其累积程度相对较低。
根据中国三大经济地带的划分将公园灰尘中重金属的空间分布分为西部、中部和东部3个区域[44]，西部区域包括乌鲁木齐市；中部区域包括包头市、长春市、西安市、开封市、焦作市、武汉市；东部区域包括北京市、天津市、青岛市、南京市、上海市、福州市、漳州市、东莞市，对公园灰尘中重金属的累积状况进行分析（图1）。从图1中可以看出，Cr、Cu、Zn、Pb、Cd累积水平在3个分区的排序均为∶东部>中部>西部，差异水平较大，尤其是Cr、Cu、Zn东部的累积水平显著大于中部和西部。但3个分区中Ni的累积水平排序为∶东部>西部>中部，其差异水平较小。公园灰尘中Cr、Cu、Zn、Pb、Ni、Cd 等6种重金属均表现为东部累积水平最高，说明东部的累积状况受到人为活动影响相对较大。
图 1 中国西、中、东部公园灰尘重金属累积水平Figure 1. The accumulation level of park dust heavy metals in western, central and eastern regions of China2.3 社会经济发展对公园灰尘重金属污染的影响
为探究各城市社会经济发展状况对城市公园灰尘重金属的影响，本文选取了总人口、地区生产总值、工业生产总值、原煤、民用汽车拥有量五个经济发展指标，以期从人口、经济、工业、能源、交通5个方面探讨社会经济发展对公园灰尘重金属累积的影响。
社会经济发展指标与公园灰尘重金属含量间的相关性分析表明，Pb与总人口呈显著正相关，相关系数为0.628；Cu、Zn与原煤呈显著正相关，相关系数分别为0.626、0.765，说明能源消费方式尤其燃煤对重金属Cu、Zn元素的影响较大；Pb、Ni与民用汽车拥有量呈显著正相关，相关系数分别为0.566、0.644，说明灰尘重金属Pb、Ni元素的含量与交通有关。灰尘重金属Pb元素与5个经济指标的相关性都较显著，说明城市公园灰尘中Pb元素的含量易受城市活动的干扰，社会经济发展状况对其影响较大。其他经济发展指标和公园灰尘重金属的相关性及其系数如表3所示。
表 3 公园灰尘重金属与经济发展的相关关系Table 3. Correlation between heavy metal and economic development in different cities总人口Total population 地区生产总值Gross domestic product 工业总产值Gross industrial output value 原煤Coal 民用汽车拥有量Possession of civil vehicles Cr −0.077 −0.142 −0.180 0.503 −0.101 Cu 0.153 0.059 −0.003 0.626* 0.082 Zn 0.023 −0.066 −0.121 0.765** −0.137 Pb 0.628* 0.343 0.460 0.304 0.566* Ni 0.178 0.291 0.144 0.409 0.644* Cd 0.189 0.222 0.110 0.380 −0.057 注∶** 在 0.01 级别（双尾），相关性显著，P<0.01。* 在 0.05 级别（双尾），相关性显著，P<0.01。 | Show TableDownLoad:
CSV
从表3中可以看出，除Pb与总人口呈显著正相关外，其他重金属元素与总人口的相关性不显著；6种灰尘重金属元素与地区生产总值的相关性均不显著，Pb与地区生产总值的相关系数最大，仅为0.343。已有研究表明[45]，地表灰尘重金属的含量与城市人口和经济发展程度呈正相关。公园灰尘中6种重金属元素的含量并未都与城市人口和经济发展程度呈正相关，有的甚至呈负相关，如Cr与总人口、Cr与地区生产总值、Zn与地区生产总值，这可能是因为，随着经济发展阶段的变化，经济发展更加注重环境效益，在发展的同时不能再以牺牲环境为代价，追求高质量发展。相关性分析表明，工业总产值与6种灰尘重金属元素的相关性均不显著，且与Cr、Cu、Zn呈负相关；民用汽车拥有量除与Pb和Ni呈显著正相关外，与其他重金属元素的相关性不显著，且与Cr、Zn、Cd呈负相关。原煤与6种灰尘重金属元素的相关性较其他4种经济指标的相关性高，相关系数均大于0.3，且Cu、Zn与原煤呈显著正相关，表明燃煤能源是影响公园灰尘重金属含量的主要社会经济因素，这也验证了已有研究[46-48]得出的燃煤对地表灰尘中重金属的含量有一定影响的结论。社会经济发展指标与公园灰尘重金属含量之间出现个别指标与个别元素呈显著正相关的现象，推测一方面与重金属元素本身的理化性质和赋存形态有关，另一方面可能与社会经济指标涵盖的范围太大，而公园作为一个小区域无法进行全面的解释有关。
2.4 公园灰尘重金属的影响因素
土壤是地表灰尘的重要来源之一[49]。各地区土壤背景的差异是造成地表灰尘重金属含量在空间上分布差异的初始原因[50]。由表2中土壤背景值与表1中各城市公园灰尘平均值对比分析得出，各重金属的土壤背景值含量由高到低分别为：Zn>Cr>Ni>Pb>Cu>Cd，而各城市的公园灰尘重金属含量由高到低分别为： Zn> Cr > Cu > Pb >Ni>Cd。可以看出，除Cu和 Ni 的位序发生变化以外，其他元素的位序不变，两者具有一致性，特别是两端的Zn和Cd的位序没有发生变化，说明公园灰尘重金属在一定程度上是受到土壤背景影响的。
社会经济发展指标与公园灰尘重金属含量间的相关性分析显示，Pb与总人口呈显著正相关，且公园灰尘重金属的空间分布显示，Pb的最高值出现在上海市，其高值区为北京、西安、南京等地区，这些城市属于我国发达城市，北京由于其“首都效应”经济基础雄厚，上海和南京属于长三角城市群——是中国最发达的经济区域，人口众多，城市发展的需求大，人为排放的污染增加，灰尘重金属的含量随之增加。Cu、Zn与原煤呈显著正相关，原煤主要用于动力、工业原料、民用原料等，且公园灰尘重金属的空间分布显示，Cu、Zn的空间分布具有相似性，东部地区为高值区，东北地区和西北地区为低值区。我国东部地区人口众多，外来人口规模庞大，原煤用于发电的需求量大，且工业种类多类型齐全，能源需求量大。东部地区相较于东北地区、西北地区经济社会发展水平总体较高，但区域内部存在着一定差异。长三角城市群在上海国际化大都市的带动下，产业结构高级化趋势日趋明显，但珠三角城市群外资企业中劳动密集型企业多，低端组装加工仍占很大比例。西北地区能源、矿产资源丰富，是中国重要的能源重化工基地，但西北地区受地理区位和发展阶段等多种因素的影响，经济发展水平总体低于东部地区，为东部地区输送能源。Pb、Ni与民用汽车拥有量呈显著正相关，且公园灰尘重金属的空间分布显示，Pb具有和Ni相似的空间分布特征，高值区集中在东部地区和中部地区，低值区则位于西北地区。东部地区和中部地区的城镇化水平高于西北地区，东部地区经济发展水平高，人民对生活质量要求高，民用汽车拥有量远高于西北地区，中部地区地处我国地理区位的中心，建成四通八达的交通网络和信息高速公路网络。Pb在东北地区也出现较高值，其原因是东北地区经济起步早，东北老工业基地的装备制造业在我国区域经济分工中举足轻重，其长春市是中国汽车工业的摇篮，是全国瞩目的汽车城[51]。Pb、Ni主要受到交通污染的影响，汽车交通污染主要表现为汽车尾气排放、汽车橡胶轮胎老化磨损、刹车里衬和车体自身的磨损等[52]。灰尘重金属Pb元素与各经济指标的相关性都较显著，说明城市公园灰尘中Pb元素的含量易受城市活动的干扰，经济社会发展状况对其影响较大。Pb在上海市的累积水平最高也证明了这一点。Cr、Cd并未与5个经济发展指标呈显著的相关性，表明重金属Cr、Cd来源的复杂性、多样性与不确定性。
综上所述，城市公园灰尘中Cu、Zn元素含量主要受燃煤能源等能源结构的影响，Pb 元素含量受到人口和交通因素的控制，Ni元素含量主要受交通因素影响；Cr、Cd来源较为复杂，可能是自然和人为的混合源。
3. 结论(Conclusion)
（1）中国城市公园灰尘的重金属空间分布特征表现为，Cr、Cu、Zn、Cd 的4种重金属含量的空间分布具有相似性，东部地区为高值区，东北地区和西北地区为低值区；Pb和 Ni具有相似的空间分布特征，东部地区和中部地区为高值区，西北地区则为低值区。
（2）社会经济发展指标与灰尘重金属的相关性分析表明，Pb与总人口呈显著正相关；Cu、Zn与原煤呈显著正相关；Pb、Ni与民用汽车拥有量呈显著正相关。城市公园灰尘中Cu、Zn元素含量主要受燃煤能源等能源结构的影响，Pb元素含量受到人口和交通因素的控制，Ni元素含量主要受交通因素影响；Cr、Cd来源较为复杂，可能是自然和人为的混合源。社会经济发展指标与公园灰尘重金属含量之间出现个别指标与个别元素呈显著正相关的现象，推测一方面与重金属元素本身的理化性质和赋存形态有关，另一方面可能与社会经济指标涵盖的范围太大，而公园作为一个小区域无法进行全面的解释有关。
-
图 3 不同年度不同类型黑臭水体的对比
Figure 3. Comparison of different types of black and odorous water body in different years
图 4 2016年分期水质情况
Figure 4. Situation of black and odorous water body in different quarters of 2016
表 1 不同水质水体检测结果
Table 1. Accuracy detection of water bodies with different water quality
类型 识别正确点位/个 识别错误点位/个 合计点位/个 正常水体 26 4 30 轻度黑臭 44 9 53 重度黑臭 109 8 117
下载: 导出CSV
表 2 算法对比分析
Table 2. Comparative analysis of algorithms
方法 平均精度均值mAP/% 速度/(张·s−1) SSD 92 10 YOLO 94 12 Faster R-CNN算法 93 18
下载: 导出CSV
表 3 黑臭水体的各影响因素的贡献率
Table 3. Contribution rate of influence factors to black and odorous water body
序号 影响因素 贡献率/% 1 土壤全氮量 32.07 2 与最近养殖场的距离 27.04 3 与最近排污口的距离 12.5 4 河网密度 11.65 5 人口密度 9.5 6 高程 8 7 土壤类型 7.6 8 土地利用 6.1
下载: 导出CSV
-
[1] 住房城乡建设部, 环境保护部. 城市黑臭水体整治工作指南[EB/OL]. (2015-08-28)[2022-06-17]. http://www.mohurd.gov.cn/wjfb/201509/t20150911_224828.html. [2] 吕佳佳. 黑臭水形成的水质和环境条件研究[D]. 武汉: 华中师范大学, 2011. [3] 谢飞, 吴俊锋. 城市黑臭河流成因及治理技术研究[J]. 污染防治技术, 2016, 29(1): 1-3. [4] 王旭, 王永刚, 孙长虹, 等. 城市黑臭水体形成机理与评价方法研究进展[J]. 应用生态学报, 2016, 27(4): 1331-1340. [5] 刘莹. 巢湖蓝藻富营养化监测与预警优化研究[D]. 合肥: 合肥工业大学, 2012. [6] 李张卿, 宋桂杰, 李晓. 深圳市白花河黑臭水体综合治理技术探讨[J]. 给水排水, 2018, 44(7): 47-50. doi: 10.3969/j.issn.1002-8471.2018.07.011 [7] 卢信, 冯紫艳, 商景阁, 等. 不同有机基质诱发的水体黑臭及主要致臭物(VOSCs)产生机制研究[J]. 环境科学, 2012, 33(9): 3152-3159. [8] 魏文龙, 荆红卫, 华蕾, 等. 北京市城市河道水体黑臭分级评价研究[J]. 环境科学与技术, 2016, 39(S2): 407-412. [9] 曹红业. 中国典型城市黑臭水体光学特性分析及遥感识别模型研究[D]. 成都: 西南交通大学, 2017. [10] 陶亮, 周东, 刘翠珠. 北京市黑臭水体监测评价与分析[J]. 北京水务, 2016(1): 21-23. [11] PALMER S C J, KUTSER T, HUNTER P D. Remote sensing of inland waters: Challenges, progress and future directions[J]. Remote Sensing of Environment, 2015, 157: 1-8. [12] DEKKER A G, VOS R J, PETERS S W. Comparison of remote sensing data, model results and in situ data for total suspended matter (TSM) in the southern Frisian lakes.[J]. Science of the Total Environment, 2001, 268(1/2/3): 197-214. [13] KUSTER T. The possibility of using the Landsat image archive for monitoring long time trends in coloured dissolved organic matter concentration in lake waters[J]. Remote Sensing of Environment, 2012, 123(3): 334-338. [14] WANG M, SHI W, TANG J. Water property monitoring and assessment for China's inland Lake Taihu from MODIS-Aqua measurements[J]. Remote Sensing of Environment, 2011, 115(3): 841-854. [15] TURNER R E, RABALAIS N N. Linking landscape and water quality in the Mississippi river basin for 2000 years[J]. Bioscience, 2003, 53: 563-572. [16] 张兵, 申茜, 李俊生, 等. 太湖水体3种典型水质参数的高光谱遥感反演[J]. 湖泊科学, 2009, 21(2): 182-192. doi: 10.3321/j.issn:1003-5427.2009.02.005 [17] 祝令亚. 湖泊水质遥感监测与评价方法研究[D]. 北京: 中国科学院研究生院(遥感应用研究所), 2006. [18] 肖潇, 徐坚, 赵登忠, 等. 汉江中下游典型河段水环境遥感评价[J]. 长江科学院院报, 2016, 33(1): 31-37. doi: 10.11988/ckyyb.20150100 [19] 姚俊, 曾祥福, 益建芳. 遥感技术在上海苏州河水污染监测中的应用[J]. 影像技术, 2003, 15(2): 3-7. doi: 10.3969/j.issn.1001-0270.2003.02.001 [20] 马跃良, 王云鹏, 贾桂梅. 珠江广州河段水体污染的遥感监测应用研究[J]. 重庆环境科学, 2003, 25(3): 13-16. [21] 王云鹏, 闵育顺, 傅家谟, 等. 水体污染的遥感方法及在珠江广州河段水污染监测中的应用[J]. 遥感学报, 2001, 5(6): 460-465. doi: 10.11834/jrs.20010610 [22] 靳海霞, 潘健. 基于高分二号卫星融合数据的城镇黑臭水体遥感监测研究[J]. 国土资源科技管理, 2017, 34(4): 107-117. [23] 温爽. 基于GF-2影像的城市黑臭水体遥感识别: 以南京市为例[D]. 南京: 南京师范大学, 2018. [24] 温爽, 王桥, 李云梅, 等. 基于高分影像的城市黑臭水体遥感识别: 以南京为例[J]. 环境科学, 2018, 39(1): 57-67. [25] 张亭禄, 邱国强. 基于辐射传递模拟及人工神经网络技术的二类水体光学组分的反演[J]. 湖泊科学, 2009, 21(2): 173-181. doi: 10.3321/j.issn:1003-5427.2009.02.004 [26] 马雪梅, 雷秀丽, 李希峰, 等. 基于数据挖掘技术的流域不透水面及变化信息提取[J]. 测绘通报, 2007(12): 34-37. doi: 10.3969/j.issn.0494-0911.2007.12.010 [27] 何红术. 基于改进U-Net网络遥感语义分割的城市黑臭水体识别[D]. 北京: 中国科学院大学(中国科学院空天信息创新研究院), 2020. [28] 邵琥翔, 丁凤, 杨健, 等. 基于深度学习的黑臭水体遥感信息提取模型[J]. 长江科学院院报, 2022, 39(4): 156-162. doi: 10.11988/ckyyb.20210045 [29] 许国. 基于河网特征的北京市河长制分级管理若干问题研究[D]. 郑州: 华北水利水电大学, 2018. [30] 张强. 浅谈土地利用对水环境的影响[J]. 国土资源, 2015(18): 180-182. [31] 卢学伟. 田庄水库内源氮释放与外源氮淋滤行为研究[D]. 青岛: 中国海洋大学, 2007. [32] AYTEN E, TIMOTHY O R. Watershed ecosystem modeling of landuse impacts on water quality[J]. Ecological Modelling, 2013, 270: 54-63. [33] JIANG Y J, YUAN D X, XIE S Y. Groundwater quality and landuse change in a typical karst agricultural region: a case study of Xiaojiang watershed, Yunnan[J]. Journal Geographical Sciences 2006, 16(4): 405-414. [34] 北京市人民政府. 北京市加快污水治理和再生水利用设施建设三年行动方案(2013-2015年): 京政发[2013]14号[A]. 北京, 2013. [35] 北京市人民政府. 北京市进一步加快推进污水治理和再生水利用工作三年行动方案(2016年7月-2019年6月): 京政发[2016]17号[A]. 北京, 2016. [36] 李傲, 皇甫润. 北京二号遥感影像平面精度分析[J]. 北京测绘, 2019, 33(5): 518-523. [37] 吴礼树. 土壤肥力学[M]. 北京: 中国农业出版社, 2004. [38] 北京市大兴区史志办公室. 北京市大兴区统计年鉴[A]. 北京, 2015. [39] REN S Q, HE K M, GIRSHICK R, et al. Faster R-CNN: Towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2017, 39(6): 1137-1149. [40] 桑军, 郭沛, 项志立, 等. Faster R-CNN 的车型识别分析[J]. 重庆大学学报, 2017, 40(7): 32-36. doi: 10.11835/j.issn.1000-582X.2017.07.005 [41] 李东子, 范大昭, 苏亚龙. 结合Faster R-CNN模型的遥感影像建筑物检测[J]. 测绘科学技术学报, 2018, 35(4): 389-394. [42] 曹之君, 张良. 基于Faster R-CNN的快速目标检测算法[J]. 航天控制, 2020, 38(4): 49-55. doi: 10.3969/j.issn.1006-3242.2020.04.008 [43] 王劲峰, 徐成东. 地理探测器: 原理与展望[J]. 地理学报, 2017, 72(1): 116-134. doi: 10.11821/dlxb201701010 [44] 徐秋蓉, 郑新奇. 一种基于地理探测器的城镇扩展影响机理分析法[J]. 测绘学报, 2015, 44(Z1): 96-101. [45] 湛东升, 张文忠, 余建辉, 等. 基于地理探测器的北京市居民宜居满意度影响机理[J]. 地理科学进展, 2015, 34(8): 966-975. [46] 廖颖, 王心源, 周俊明. 基于地理探测器的大熊猫生境适宜度评价模型及验证[J]. 地球信息科学学报, 2016, 18(6): 767-778. -
点击查看大图
计量
- 文章访问数: 4402
- HTML全文浏览数: 4402
- PDF下载数: 103
- 施引文献: 0
