【无人机高光谱遥感】——河湖水环境探测的新神器

【基于无人机高光谱遥感的河湖水环境探测】摘要：本研究以上海市崇明岛内陆水体为研究区，通过无人机高光谱遥感影像对水体颜色变化及疑似污染水体识别进行研究。首先,对无人机搭载的高光谱传感器进行遥感反射率标定。进一步利用河湖水体高光谱遥感反射率根据CIE-XYZ颜色标准和加权调和平均法反演了色相角(Hue angle)、表观波长(apparent visible wavelength,AVW),根据实测数据构建水质参数反演模型。通过设定色相角阈值对研究区水体颜色进行分类。最后综合水体颜色参量和水质参数结果对河湖疑似污染水体进行识别和分析。1研究区概况及数据源1.1 研究区概况本研究选取上海市崇明岛、青浦区大莲湖作为无人机高光谱水环境监测的主要研究区域。图1   研究区域及采样点1.2 实测数据2019至2020年间，研究人员进行了8次野外数据采集工作。使用地物光谱仪根据水面以上测量方法,测量并计算得到采样点水体的遥感反射率数据，使用便携式浊度计现场测量浊度。根据《地表水和污水监测技术规范》采集和保存水样,带回实验室采用分光光度法测量叶绿素a浓度(Chl-a)、有色溶解有机物吸收系数(CDOM)、总氮(TN)和总磷(TP),对于内陆水体选择440 nm处的吸收系数ag(440)作为CDOM的代表。采用称重法测量水体总悬浮物浓度(TSM),实测采样点各类水质参数浓度分布如表1所示。表1  采样点水质参数浓度分布1.3 无人机高光谱数据本文研究所用的无人机平台为多旋翼无人机KWT-X6L,搭载了Micro Hyperspec VNIR A-Series高光谱成像仪(HeadWall Photonics Inc.),其光谱范围为400~1000nm,具有325个光谱通道,光谱分辨率1.8nm。无人机按照预先设置好的航线飞行,飞行高度100 m,地面幅宽92m,空间分辨率0.09m。2高光谱数据处理2.1 遥感反射率测定为获得目标水体的遥感反射率,本研究基于反射率基法发展了一种无人机高光谱遥感反射率测定方法。该方法在无人机飞行河湖区域铺设标准反射率为20%~30%的漫反射参考板,无人机经过该区域时使用地物光谱仪同步多次测量参考板的反射率Rref(λ)λ和下行辐亮度Lref(λ),获得太阳总辐照度,公式为:并根据水面以上光谱测量方法同步测量参考板上方的天空光辐亮度Lsky(λ)。由于飞行时间、飞行高度和剪裁，可以忽略太阳耀斑、大气程辐射影响。在光照条件持续稳定的情况下,假定地面同步测量的天空光入射辐亮度Lsky为无人机影像上方的天空光辐亮度。菲涅尔反射率r可近似为0.023,那么无人机高光谱遥感反射率 RUAVrs(λ)RrsUAVλ公式为:式中: 辐亮度单位为Wm-2nm-1sr-1; 遥感反射率单位为sr-1; λ为光谱波长,nm。3研究方法3.1 水体颜色参量计算我们利用线性拟合的方法计算了对应高光谱数据波长位置的颜色匹配函数,进一步基于颜色刺激值计算获得水体Hue angle(0°~360°)。并从水色主导波长的角度利用无人机高光谱全波段数据(400~800nm)计算AVW,计算公式为:式中: Rrs为水体遥感反射率,sr-1; λ为光谱波长,nm; n为高光谱波段数。3.2 水体色相分类实地调查发现,采样区域水环境恶化主要表现为大量浮萍漂浮的绿色水体和污染源附近的黄棕色污染水体。根据Hue angle定量化水体颜色变化这一特点,参考设定Hue angle阈值对内陆河湖水体的分类方法。从实测数据中选出19条不同类型水体(5条浮萍漂浮的绿色水体、7条一般水体和7条污染源附近黄棕色水体)的高光谱反射率曲线计算Hue angle。浮萍漂浮的水体呈绿色,具有植物光谱特征。污染源附近黄棕色水体主要组分为非色素颗粒物或有色溶解有机物,有色溶解有机物中含有的腐殖酸和富里酸随着浓度的升高会使水体呈现黄褐色。根据所选不同水体的Hue angle值将水体分为绿色异常水体(Hue angle≤218°)、一般水体(218°≤Hue angle≤225°)、黄棕色异常水体共3类(Hue angle≥225°)(图2)。图2   不同类型水体光谱曲线及对应Hue angle3.3 水质参数高光谱遥感反演通过对同步实测的遥感反射率与水质参数(Chl-a,TSM,CDOM,浊度,TN,TP)进行统计分析,将不同水质参数选择相关性最高的波段或波段组合作为自变量,通过指数、幂函数、线性、多项式、偏最小二乘回归等方法构建反演模型(表2),通过R2和RMSE对模型的反演效果进行评估。表2   水质参数反演模型参考综合营养指数(TLI)计算方法[35],基于Chl-a、TN、TP浓度估算河湖水体的TLI指数。通过水体的TLI指数,将水体营养状态分为贫营养(TLI<30)、中营养(30≤TLI≤50)、轻度富营养(504结果与讨论4.1 水体颜色参量与水质参数反演效果评估根据Hue angle [8]和AVW计算方法(式(6)),反演无人机覆盖35个采样点的现场观测高光谱水体颜色参量,与无人机高光谱反演结果对比(图3(a)): 无人机高光谱反演的水体颜色参量基本与原位观测高光谱反演值一致(Hue angle: R2=0.97,RMSE=0.86°; AVW: R2=0.93,RMSE=2.01 nm)。相对于多光谱数据反演的水体颜色参量需要通过实测高光谱校正[8],无人机高光谱数据反演的水体颜色参量更加准确且避免了校正带来的误差。根据相关分析构建的各类水质参数反演模型(图3(b)),从与实测数据的对比结果来看具有较高的反演精度。图3   无人机高光谱反演水体颜色参量、水质参数精度验证4.2 河段水体色相分类利用25条绿色异常水体、33条一般水体和17条黄棕色异常水体的原位观测高光谱数据对Hue angle水体分类方法进行验证,验证精度分别为68%,91%和82%,证明该方法具有较高的分类精度。4.3 多参数水环境分析图4为上海市崇明岛重点观察河道疑似污染水体识别。图4(a)—(i)显示了崇明岛北港东岸转河,水体颜色参量和水质参数基于无人机高光谱数据定量反演的结果,图4(j)显示北港东岸转河左右两侧为黄棕色异常水体。各类水质参数浓度都较高,其中图4(d)—(e)显示TN,TP浓度达到Ⅳ类水体的标准[36](1≤TN≤1.5 mg/L,0.2≤TP≤0.3 mg/L)。TLI指数(图4(i))表明该区域的黄棕色异常水体为轻度富营养化水体。河道中间的绿色异常水体TLI指数也显示为轻度富营养化,部分水质参数(Chl-a,TSM,CDOM,TP)显示高浓度特点(图4(a)—(c),4(e)),但该区域的浊度、TN(图4(h),4(e))相对黄棕色异常水体较低,分析原因在于该异常区域水流相对缓慢,泥沙等非色素颗粒物沉淀,水体透光性较好,浊度较低,浮游植物光合作用增强,再加上附近多处沟渠和隐蔽排污口不定期排放高营养盐(TP主导)污染物导致出现藻华现象。而河道两侧的异常水域现场调查时正在排放污水,排污过程导致水体浊度升高,水中非色素颗粒物增多,水体呈黄棕色。图4   上海市崇明岛重点观察河道疑似污染水体识别结果显示Hue angle和AVW均能够有效地对异常颜色水体进行甄别,此外,Hue angle分类可以有效地划分不同的水体颜色类型,用于判别异常水体的空间位置和水色异常类型,从而丰富了水环境遥感探测信息。结合水质参数定量反演,也有助于对疑似污染水体进一步分析,对于突发性河湖水体污染的快速监测提供了一定辅助支持,同时为现场观测提供了有效信息。5结论本研究发展了一种无人机高光谱遥感反射率标定方法,通过该方法计算的高光谱遥感反射率各波段平均ε为13.34%,RMSE平均为0.004 6sr-1,R平均为0.83。可以在光照稳定的情况下计算较为准确的水体遥感反射率。后续仍需研究如何去除光照变化计算遥感反射率。通过FFT和MNF方法对高光谱数据的条带噪声和光谱维噪声进行了去除,高光谱整体信噪比提升了128%,有效提高了数据质量。利用高光谱数据反演水体Hue angle,AVW和水质参数,有效利用了高光谱数据丰富的光谱信息。根据Hue angle能够区分不同颜色水体的特点,通过设定Hue angle阈值的方法对水体进行分类,应用该分类方法对上海市崇明岛河湖水体颜色的时空变化进行分析。同时利用水体颜色参量以及水质参数反演结果对上海市崇明岛的重点观察河段进行疑似污染水体的识别。以上结果表明高光谱数据在水体颜色和水质参数反演应用方面的潜力,结合无人机高时效性、高空间覆盖度的特点,对于辅助河湖水环境监测提供了强有力的支持。