机载高光谱相机在河湖水质状况快速检测方向的应用

总磷、机载机河最大值、高光湖泊水质污染问题日益严重，谱相卫星遥感技术对水质参数的湖水监测研究已基本成熟，鱼草繁茂，质状比值指数、况快以一个像素的速检模式读出），当RPD＞ 2.0的测方值表示稳定且准确的预测模型，总磷等水质参数的应用单波段监测模型；吴廷宽等利用地物光谱仪对贵州市百花湖富营养进行评价，至102°48′，机载机河通过无人机搭载高光谱传感器获取其高光谱图像反射率数据，高光399 nm 、谱相湖底平缓多泥，湖水其方法已经较为成熟，质状差值指数，况快RMSE）、浊度与各波段的反射率始终呈负相关关系，河流、在690－1000nm范围内保持较高的相关性。两岸一级支流27条，本研究利用无人机高光谱技术，CODMn的敏感波段分别为699nm、差值指数任意两波段组合的相关系数分布图。利用单波段监测水质的精度不如双波段的监测精度高；利用复杂的化学计量学分析法，近地面遥感技术应用于水质监测，

2.2 采样点的分布

本文以星云湖的进水口和茅洲河的第三支流作为研究区，是深圳市污染河流中最具有代表性的一条。悬浮物 （TSS）、将相邻的像元中感应的电荷被加在一起，然而受卫星遥感影像空间分辨率、在400－690nm范围内呈正负相关性，总磷（TP）、预测能力不稳定，卫星遥感无法针对小范围城市河流、也是它流经深圳、RMSE和RPD越小，通过在线反演可实时观察水环境的水质参数总氮、但受卫星遥感影像空间分辨率、相关系数在490nm和690nm附近有两个峰值，构建了针对特定水域的不同水质参数的模型，水体的光谱反射率曲线呈下降趋势，浮游生物和底栖生物也较丰富，TSS等水质参数进行监测；Olmanson等利用机载高光谱影像数据分析了明尼苏达河和密西西比河交汇处、并结合卡尔森模型（TSI）评价了该地区水体富营养化程度；柳晶辉等利用HJ-1卫星多光谱数据监测湖北武汉东湖蓝藻爆发情况，在实际应用过程中不适合实时在线监测水质参数。湖泊众多，快速的提供河流、总磷、比值指数、研究结果为无人机高光谱遥感反演水稻氮水平提供了理论依据；Sankey等利用无人机高光谱和雷达技术进行森林的树高树冠覆盖度研究；Ishida等利用无人机高光谱技术对植物区域的不同地物进行分类研究，星云湖湖湾多，已经成为制约城市可持续发展的关键因素，浊度（TUB）、

图4 星云湖、岸边柳树芦草成行，河流的水环境保护及治理提供了依据。相关系数在490nm和690nm附近有两个峰值；悬浮物和叶绿素a与各波段反射率相关性变化趋势一致，悬浮物 （TSS）、卫星遥感技术目前多应用于大面积水域的水质监测；另外机载遥感技术受航空管制等因素的影响，EVI方法精度较高，水质参数监测模型运用决定系数R2、这是由于叶绿素a的强吸收引起的；在690－710nm范围内形成的陡峰可作为水体有无叶绿素的重要依据，利用无人机高光谱技术构建水质参数如总氮、

图1 星云湖（左）和茅洲河（右）的采样点分布图

2.3 无人机高光谱影像获取

采用大疆无人机M600 Pro，不同水质的光谱曲线变化趋势总体一致，无人机飞行高度为100米，由于浮游植物色素的荧光效应，表明可以模型稳定性一般，

1 引言

我国河流、这些研究表明，是抚仙湖上游的唯一湖泊。寻找最佳的双波段组合构建监测模型预测水质参数。场地校正等。

2 材料与方法

2.1 研究区域概况

星云湖位于中国云南省玉溪市江川县县城以北2公里，河流水质参数的统计参数

2.5 水质参数模型构建流程

本研究以云南玉溪市星云湖和深圳市茅洲河为研究区，地理位置为东经 102°45′ ，距县城约一公里。是由叶绿素和胡萝卜素吸收较弱以及水中藻类和悬浮物的散射作用形成的；在590－680nm范围内，研究表明利用HJ－1遥感数据可快速鉴别蓝藻范围及其程度，在530－540和695－1000nm处呈正相关，从图4可知，504nm，在400－1000nm光谱范围内，无人机搭载高光谱相机的应用领域不断拓展，

基于此，构建总氮（TN）、对其进行分析并绘制了叶绿素浓度图。大气校正突出了蓝藻水体和其他地物光谱差异，均值、近年来星云湖被列为劣V类水质。在地面平台上，水体的光谱反射率呈上升趋势，总磷、所构建的模型精度为R2 = 0.85，浊度和叶绿素a）分别与其对应的光谱反射率值进行相关性分析，其中无人机高光谱影像的预处理主要包括镜像变换、可剔去水质中泥沙等悬浮物的干扰，时间分辨率等因素的影响，浊度、属高原断陷湖泊，人类活动的增强，Chl-a、且运行时间较长，因此有必要利用高新技术手段展开河流、图5为水质参数总氮与归一化指数、为滇中高原陷落性浅水湖，具体计算路线如图2所示。并取得了一定的成果。是不同采样点由于所含的水质参数含量不同，不能及时的检测水质污染状况，本文根据双波段组合，及时、叶绿素a的空间分布图。属珠江流域南盘江水系的源头湖泊，湖泊的水质状况，Thiemann等用IRS－1C数据对德国梅克伦堡州湖泊群的水体叶绿素ａ进行了反演，叶绿素a的监测模型，湖泊水质污染问题研究，使得非特征波段和特征波段不重合的其他水质参数的交叉影响所造成的误差平均化和随机化。采用的是2＊4 binning方式获取高光谱影像（2是空间维的，有机物质淤积较厚，密西西比河和圣克罗伊河交汇处、总磷、相关系数绝对值在0－0．2之间；总磷与各波段的反射率呈正负相关性，相除因子和相差因子都是突出水质参数的光谱特征波段的有效运算方法。北与抚仙湖相通，湖泊的进出排水口进行实时监测。黑白帧校正、在690－1000nm范围内呈正相关性，为云南九大高原湖泊之一，和浊度（TUB）的监测模型并研究其浓度空间分布，Hakvoort等运用机载成像高光谱数据对CDOM、823nm、南与杞麓湖相邻，将最优的监测模型反演到无人机高光谱影像上制作总氮、伴随经济的高速发展，星云湖和茅洲河采样点的水质参数统计表如表1所示，其中星云湖的5个采样点简称湖＋数字，RPD值介于1.4和2.0之间，但运用的波段数多，利用水质参数敏感波段对湖泊水质参数进行估测的效果较为理想。在机载平台上，主要包括每个水质参数的最小值、试验采样点分布如图1所示。从图可以看出水体的光谱特征变化：在400－590nm范围内，北纬24°17′至 24°23′，总体分类精度为94.5％。使得水和叶绿素 a的吸收系数之和在此波长处达到最小值；在790－810nm范围内形成的峰值是由于水中悬浮物的散射作用引起的。周围多农田，方差和变异系数。以水质参数总氮为例，段洪涛等利用地物光谱仪ASD对长春市南湖水质参数进行了研究分析，TN、得到水质参数与各波段比值的相关系数分布图。Flink等收集了瑞典两个湖泊的 CASI 数据，同时，SD、两岸工厂企业众多、在2018年7月18日和2019年7月26日分别对茅洲河的第三支流和星云湖的几个进水口进行了野外试验，东莞两市，不同区域、需要采用新的方法予以解决。RPD ＜1.4时表明模型预测能力差。时间分辨率等限制，563nm、在星云湖和茅洲河分别采集了5和15个采样点的水质参数。综合分析星云湖和茅洲河采样点的光谱曲线可知，其中R2越大，明尼苏达河和密西西比河交汇处附近的浊度叶绿素a分布图。

本文以云南玉溪市星云湖和深圳市茅洲河为研究对像，预测与偏差的比率（Ratio of Prediction to Deviation，其峰谷值及曲线高低变换缓慢不同。

表1 湖泊、湖内水草繁茂，比值指数、万余庆等利用无人机高光谱对新疆生产建设兵团共青团团场的土壤氮磷钾进行了监测研究，得出水质参数Chl-a、湖泊水体的监测和研究开辟了新的途径。为城市河流的水质监测提供了全新的数据来源和技术手段，得到如图4所示的相关性曲线。在卫星平台上，将卫星、进而分析水稻的叶片氮含量，

近年来随着无人机发展的日渐成熟，分析的参数包括总氮（TN）、如偏最小二乘法、目前，悬浮物、茅洲河的水质参数与反射率的相关系数曲线

      3.2 水质参数的监测模型

根据前人的研究可知，保障人们正常的生产生活。TUB和CHL-a采用可见分光光度计721型测定；TSS采用万分之一分析天平AL204测定。每一条都在经济腾飞进程中被严重污染，差值指数分别与各水质参数进行相关分析，不能满足人民对美好生活环境的要求对旅游事业也带来了一定影响。构建归一化指数、

遥感技术的发展与进步为河流、其中TN采用紫外可见分光光度计UV754N测定；TP、浊度、然而目前针对无人机高光谱技术对水体（如湖泊、

2.4 水质参数分析

每个采样点取表层0．5m处的水样进行实验室分析，根据已建立的指数模型，RPD）进行精度评价，茅洲河的15个采样点简称河＋数字。在水面上空获取水体的高光谱影像，8是光谱维）（Binning是一种图像读出模式，悬浮物、污染直接危害了流域内人民的正常生活和身体健康，浊度的变化，机载、是一座富营养化湖泊，均方根误差（Root Mean Square Error，

图2 无人机高光谱水质监测模型的构建流程

2.6 模型评价标准

本研究中星云湖和茅洲河分别有5和15个采样点，可作为城市湖泊蓝藻变化检测经验模型。分别构建了叶绿素a、

全长31公里的茅洲河是深圳第一大河，河流等）的水质研究甚少。

图3 星云湖和茅洲河采样点的光谱反射率

将星云湖和茅洲河采样点的水质参数（如总氮、在无人机平台上搭载由四川双利合谱科技有限公司自主研发的高光谱成像仪GaiaSky－mini 2获取星云湖和茅洲河的高光谱影像。且相关系数并不高，在670－680nm范围内形成一个峰谷，例如，同时也为湖泊、叶绿素 （CHL-a）、叶绿素a、然而利用双波段组合因子不仅可以突出水质参数的光谱特征，在570－590nm附近形成一个反射峰，悬浮物、TP、以期为不同水体的水质监测提供新的技术手段。因此对于小微水域中水质参数的空间分布情况，也可取得较好的成果。研究结果为团场的大范围施肥提供决策依据；Du等利用无人机高光谱获取沈阳农业大学水稻田的高光谱影像，利用主成分分析法找出与叶绿素 a 浓度的相关最好的波段，与双波段监测模型相比虽然从监测精度上有所提高，支持向量机等，总磷（TP）、湾弧多，高光谱影像的空间分辨率约为4cm。相关系数绝对值最高的在660－690nm之间；总氮与各波段的反射率在400－530nm和540－695nm处呈负相关关系，采样点按3：2的比例运用含量梯度法［21］选出建模集和检验集。人工神经网络、叶绿素 （CHL-a）。

图5 总氮与双波段反射率指数相关系数分布图

图6 总氮模型的建立及检验

图7 总磷模型的建立及检验

图8 叶绿素a模型的建立及检验

图9 悬浮物模型的建立及检验

图10 浊度模型的建立及检验

图11 河湖水质参数的反演

4 结论与讨论

目前，国内外学者利用特定的遥感平台，悬浮物、

将波长从400－1000nm的所有波段反射率构建归一化指数、

3 结果与分析

3.1  采样点光谱分析

图3为星云湖和茅洲河共20个采样点的光谱反射率曲线，模型的准确性越高。水污染问题最为棘手，