![]()
本文内容来源于《测绘通报》2022年第7期，审图号：GS京（2022）0341号
胡义强1,2, 杨骥1,2, 荆文龙1,2, 彭小燕3, 蓝文陆3, 彭梦微3, 张雨萌4
1. 广东省科学院广州地理研究所(广东省遥感与地理信息系统应用重点实验室, 广东省地理时空大数据工程实验室), 广东 广州 510070;2. 南方海洋科学与工程广东省实验室(广州), 广东 广州 511458;3. 广西壮族自治区海洋环境监测中心站, 广西 北海 536000;4. 广东工业大学环境生态工程研究院, 广东 广州 510006基金项目：广西科技重点研发计划(桂科AB20297037);国家自然科学基金(41976189;41976190);广东省科学院实施创新驱动发展能力建设专项(2019GDASYL-0301001);广东省科技计划项目(2021B1212100006);广东省引进创新创业团队项目(2016ZT06D336);南方海洋科学与工程广东省实验室(广州)(GML2019ZD0301);人才团队引进重大专项(GML2019ZD0301)
关键词：池塘养殖, 无人机, 水质参数, 遥感反演, 营养评价
![]()
引文格式：胡义强, 杨骥, 荆文龙, 等. 茅尾海入海河口池塘养殖污染状况遥感调查[J]. 测绘通报, 2022(7): 12-17,53. DOI: 10.13474/j.cnki.11-2246.2022.0196.摘要 ：针对广西茅尾海入海河口池塘养殖污染问题,本文利用无人机多光谱遥感影像和实测水质数据,建立了反映水体营养状态的叶绿素a (Chl-a)、化学需氧量(COD)、悬浮物(SS)、总氮(TN)、总磷(TP)5种水质参数,反演光谱特征及遥感反演模型,并利用湖泊综合营养指数法对水体富营养化状态进行评价。研究结果表明:①Chl-a与蓝、近红外波段相关性显著,COD与红、红边波段相关性显著,SS与红边波段相关性显著,TN与近红外波段相关性显著,TP与蓝、绿波段相关性显著;②在建立的几种水质参数反演模型中,二次多项式函数反演模型综合效果最佳;③池塘养殖区水体富营养指数多集中在60～80,属于中度和重度富营养化程度,且近岸水体富营养化程度大多低于远岸。
水产养殖污染主要指养殖过程中水体富营养化、池塘底泥富集污染和滥用药物造成的污染[1]。养殖污染主要表现为在水产养殖过程中引起的氮(N)、磷(P)、化学需氧量(COD)等的排放量超出近岸海洋环境的承载力和自净能力，造成海水富营养化及其他海洋环境的破坏和异常[2]。水质监测是评价水质情况与水污染防治的主要科学依据，常规的水产养殖水质监测方法主要通过人工定时定点采集水样后，经实验室检测分析获得水体污染物浓度。这种监测方法虽然精度高，但是往往需要大量的人力、物力、财力。有些区域受采样地天气、水文等条件的影响，难以开展采样工作，并且传统的监测方式只能获取局部指定点位的水质参数情况，覆盖范围有限，无法获取整个区域的水产养殖污染信息。遥感技术具有监测范围广、成像信息丰富、数据成本低等优势，可以弥补传统水质监测方法的不足，在近海水产养殖水质污染动态监测方面得到广泛应用。水质遥感监测主要基于水体表现的光谱特性，通过分析其与水体不同水质参数间的关系，建立水质参数反演模型，估算水质参数浓度[3]。文献[4]基于Google Earth Engine平台构建了多元特征建立水质反演模型，利用综合营养指数分析了我国南海富营养化的时空趋势。文献[5]利用Landsat 8 OLI遥感影像，建立近红外波段与其他波段组合的水体浊度遥感反演模型，有效地监测了该区域的水体浊度情况。文献[6]基于国产高分一号影像数据，对水库叶绿素a(Chl-a)浓度进行反演分析，得到区间为550~620 nm波段，叶绿素a模型反演精度较优。文献[7]利用基于Landsat8数据与实测水质数据，通过构建反演模型得到了COD和NH3-N的空间分布情况。已有研究表明[8-12]，卫星遥感可较好地应用于水质反演中，但是针对广西河口和海湾等具有盐度特征的水体水质参数反演方面相关研究较少，且研究中使用的多光谱卫星影像的空间分辨率，不足以用于反演一些小微水体(如池塘养殖等)的营养状态[13]。此外卫星影像常受到云层遮挡的影响，而且卫星影像成像时间与实测水样时间往往存在差异，导致水质反演模型不能很好地反映水体营养状态。近年来，无人机在遥感领域的应用也在逐步发展[14-15]，作为一种新型的低空遥感平台，它携带方便、起降灵活，不受定位和时间限制，弥补了卫星遥感存在的重访周期长、影像分辨率低、易受云层影响和成本高等不足[16]。本文以广西茅尾海入海口池塘养殖为研究区域，利用无人机多光谱数据和实测水质检测数据，通过相关性分析筛选出水质参数反演光谱特征波段，构建水质参数反演模型，得到池塘养殖水质参数空间分布情况，以期为有关部门开展池塘养殖污染监测提供新的技术手段。广西茅尾海位于北部湾海域最北端，属于钦州湾的内湾，海域面积为135 km2，茅尾海海湾内宽口窄，常年有茅岭江、大榄江、钦江入湾径流输入(如图 1所示)，东、西、北面被陆地包围，属于典型的内海，有“南渤海”等美誉。近年来，随着北部湾经济的快速发展，茅尾海沿岸水产养殖尾水的无序排放、海水养殖及渔业活动的污染等问题也日渐突显。本文以茅尾海大榄江入海口池塘养殖区为研究对象，对其水体污染及水体富营养化情况进行遥感调查研究。检测的水质数据来自2021年4月8日—4月10日在茅尾海大榄江入海口池塘养殖研究区内采集的33个地面监测点位水样。包含大榄江6个监测点，大榄江周边池塘养殖区27个池塘监测点，养殖池塘包含不同的养殖类型(养鱼、养虾、鱼虾混养)。地面水样使用采水器采集表层水(水面下0.5 m)，检测的水质项目包括化学需氧量(COD)、悬浮物(SS)、叶绿素a、总磷(TP)、总氮(TN)等。由于检测点位水体盐度均大于3‰，各水质要素的采集、处理和分析方法按照《海洋监测规范》(GB 17378.4—2007)执行。利用大疆精灵4多光谱版无人机(P4 multispectral)获取遥感数据。它搭载了一体式的多光谱成像系统，集成了1个可见光传感器及5个多光谱传感器(蓝、绿、红、红边和近红外)，可输出高质量的数据。与水样采集时间同步，利用无人机在试验区域上空采集多光谱数据。考虑风速的影响，设定无人机飞行高度为120 m，飞行速度为5 m/s，设置飞行的航向重叠度和旁向重叠度分别为80%和60%，无人机采样区域范围覆盖面积约30.3 km2，共计飞行60架次。(1) 图像拼接。首先将采集的多光谱影像数据经过筛选，剔除一些含过曝、模糊、太阳耀斑等质量较差的影像，然后利用Pix4Dmapper专业软件进行无人机多光谱影像拼接，根据无人机飞行器所记录的POS信息，提取外方位元素，通过共线方程计算影像4个角点的坐标。(2) 辐射校正。由于无人机飞行高度不是很高，受大气气溶胶等影响不是非常明显，因此可以省去大气的影响，只进行辐射校正。多光谱传感器获取的是像元的亮度值(DN值)，记录的是地物的灰度值，在进行反演模型拟合、建立水质参数与遥感影像关系时，需要将多光谱影像的DN值转换为地物反射率。(3) 几何校正。在无人机飞行拍摄中，由于受风力和传感器的影响，像元大小与地面大小对应不准确，造成地物形状不规则变化。因此，需要通过野外采集的地面控制点，对影像进行几何校正。首先利用水体提取方法，对遥感影像进行水体掩膜提取；其次采用相关分析法，分析光谱参数与实测水质参数的相关性，得到与水质参数最为敏感的波段或波段组合；然后利用均方根误差和决定系数评定回归模型，选择最优水质参数反演模型，反演研究区水质参数；最后利用湖泊综合营养指数法对水质参数估算结果进行富营养化评价。为了更有效地消除陆地部分对于水体反演结果的影响，需要对遥感影像进行水体掩膜提取。使用归一化差异水体指数(NDWI)算法提取研究区域水体，公式为![]()
(1)式中，Green代表绿波段，对应多光谱数据B2波段；NIR为近红外波段，对应多光谱数据B5波段。试验采用的无人机多光谱数据共有5个波段，为降低背景信息的干扰，增强有效的光谱信息，可将两种及以上波段进行多样化的组合计算。参考已有水质反演研究中使用的波段组合[17-18]，本文构建了归一化指数(NDI)、差异指数(DI)和比率指数(RI)，公式为![]()
(2)![]()
(3)![]()
(4)式中，i=1, 2，…，5；j=1, 2，…，5；Bi和Bj表示无人机多光谱影像的不同波段值。Pearson相关系数是由两个变量间的协方差除以其标准差的乘积求得，用于反映两个变量间的线性相关程度。通过对多光谱影像光谱参数与水质参数之间的相关性分析，得到与水质参数最为敏感的波段或波段组合，其公式为![]()
(5)式中，rxy代表两者的相关系数；n为样品总数；xi为第i个样品的光谱参数值；yi为第i个样品的水质参数；、分别为两变量样本的平均值；rxy的取值范围为[-1, 1]。若0 < rxy≤1，表明x与y之间存在正线性相关关系；若-1≤rxy < 0，表明x与y之间存在负线性相关关系。回归模型主要基于统计学原理，用于描述因变量y与自变量x和误差项的关系，常用的水质反演回归模型如下。![]()
(6)![]()
(7)式中，β0为多项式中的常数项；β1，β2，…，βi为其回归系数。通过计算均方根误差(RMSE)、决定系数(R2) 评定反演模型精度，选择最优的水质反演模型反演无人机多光谱数据水质参数，生成水质参数分布图, 实现水质参数可视化。决定系数表达式为![]()
(8)![]()
(9)式中，ypi、yti分别代表水样实测值和反演模型预测值；n为样本总数。湖泊综合营养指数法是由卡尔森营养状态指数(TSI)衍生得出，它以Chl-a的状态指数为基准，在其余水质参数中选择与Chl-a具有较强相关性的水质状态因子，并与TLI(Chl-a)进行加权综合[19-20]，见表 1。其公式为![]()
(10)式中，TLI代表综合营养状态指数；wj代表第j种参数的营养状态指数相关权重；TLI(j)表示第j种参数营养状态指数，且所有参数都以Chl-a作为基准的参数。权重公式为![]()
(11)式中，Rij2代表第j种参数与Chl-a的相关系数；m为评价参数个数。在水质参数反演模型构建中，将无人机遥感影像的5个波段，联合根据式(2)—式(4)构建的NDI、DI和RI 3组波段组合，最终获得35种无人机光谱参数，分别将这些光谱参数与实测水质参数浓度进行Pearson相关性分析，得出与5种水质参数具有最大Pearson相关系数的波段或波段组合，见表 2。 由表 2可知，与5种水质参数具有最大Pearson相关系数的波段组合情况为：叶绿素a与NDI(B1, B5)相关程度较高，相关系数为-0.880；化学需氧量与DI(B3, B4)相关度较高，相关系数为-0.879；悬浮物浓度与B4相关程度较高，相关系数为0.788；总氮与B5相关性较高，相关系数为0.651；总磷DI(B1, B2)相关程度较高，相关系数为0.872。选取上述相关性最高的波段或波段组合的光谱参数作为自变量，分别对应实测的叶绿素a浓度、化学需氧量浓度、悬浮物浓度、总氮浓度和总磷浓度值作为因变量，建立线性模型、二次多项式模型和三次多项式模型，进行回归拟合。通过模型精度比较，从中选取R2较大的模型作为最优反演模型。水质参数浓度的反演模型情况见表 3。表 3 水质参数反演模型精度评估结果
由表 3可知，研究区域5种水质参数最佳反演模型情况：各水质参数的反演模型的R2均在0.5以上，叶绿素a浓度和化学需氧量浓度反演模型，均为三次多项式模型效果最佳，其模型拟合的R2分别达到了0.823和0.838；而悬浮物浓度、总氮浓度、总磷浓度反演模型虽然三次多项式模型的R2值最大，但出现了明显的过拟合现象。相比之下，二次多项式模型的综合拟合效果最优，因此选取二次多项式模型作为这3种水质参数的最优反演模型。
通过使用上述最优反演模型对获取的无人机多光谱影像各像元进行估算，反演出研究区域的Chl-a、COD、SS、TN和TP 5种水质参数浓度的估算结果，并绘制出池塘养殖区各水质参数的空间分布(如图 2所示)。由反演结果可知：大榄江上游叶绿素a浓度比下游高，且东岸上游和西岸下游的池塘叶绿素a浓度总体偏高，最高浓度可达165 μg/L；大榄江河流化学需氧量浓度明显低于池塘养殖区，两岸池塘化学需氧量浓度总体都较高，最高浓度可达46 mg/L；大榄江上游悬浮物浓度明显高于下游，西岸下游部分池塘悬浮物浓度偏高，最高浓度可达80 mg/L；大榄江上游总氮浓度高于下游，上游东岸和下游西岸局部池塘总氮浓度偏高，最高浓度可达6 mg/L；大榄江总磷浓度明显低于池塘养殖区，下游池塘养殖区总磷浓度明显高于上游，且东岸下游浓度高于西岸下游，最高浓度可达4 mg/L。水体富营养化评价方法有很多，本文采用湖泊综合营养指数法评价研究区域水体富营养化的状态，根据式(10)—式(11)，选择与Chl-a具有较强相关性的水质参数TN、TP、SS、COD进行加权综合，得到水体富营养化指数TLI。通过反演富营养化指数可有效反映池塘养殖区水质的状态。利用无人机多光谱数据和水质参数反演模型，对反演得到的水质参数浓度的估算结果，运用综合营养指数法进行富营养化评价，根据水质营养状态划分，将水体营养物质的污染程度分为：贫营养、中营养和轻度富营养、中度富营养和重度富营养5种水平，其营养状态空间分布如图 3所示。根据图 3可知，研究区水体富营养指数处于0~89之间，总体富营养化程度较高。池塘区域水体富营养指数多集中在60~80，多属于中度和重度富营养化程度，且大多近岸水体富营养化程度低于远岸。大榄江水体出现了部分轻度营养化的状态，且下游富营养化程度高于上游。通过提取研究区域所有水体，并根据水体富营养估算统计，如图 4可知，研究区域水体面积中，营养状态为贫营养的占比4.6%；中营养的占比10%；轻度富营养的占比12.5%；中度富营养的占比52.4%；重度富营养的占比20.5%，如图 4所示。![]( "点击查看原图")
\本文基于无人机多光谱遥感数据与地面实测水质数据，通过构建水质参数遥感反演模型，对水体富营养化相关的5个水质参数：叶绿素a、化学需氧量、悬浮物、总氮、总磷等浓度进行了反演，实现了茅尾海大榄江入海河口池塘养殖污染情况的遥感调查，并将综合营养指数法应用于水质遥感估算结果中，对研究区域水体富营养化状态进行评价。得出如下结论。(1) 通过本文研究和试验，证明了无人机遥感技术在水质参数反演中的应用可行性，同时验证了利用5波段的多光谱传感器获取的遥感数据能够满足部分水质参数的反演要求。利用无人机实时、高时间和空间分辨率的优势，可针对一些池塘养殖等小微水域进行水质参数估测。(2) 构建的5种水质参数敏感波段为：叶绿素a浓度为B1、B5波段的归一化指数，化学需氧量浓度为B3、B4波段的差异指数，悬浮物浓度为B4波段，总氮浓度为B5波段；总磷浓度为B1、B2波段的差异指数。在构建的水质参数反演模型中，基于二次项式模型能够更好地估算水质参数浓度。(3) 池塘养殖区域的水体富营养化程度较高，水质状况大都属于中度富营养状态以上，且近岸水体富营养化程度大多低于远岸。受池塘养殖污染影响，大榄江的部分水域出现了轻度营养化的状态，且下游富营养化程度高于上游。本文重点关注入海河口池塘养殖对于水环境的影响，通过建立水质参数反演算法，结合富营养化评价模型，对研究区水体富营养化状况进行监测与评价，研究结果可为茅尾海生态环境保护提供基础支撑，也可为入海河口水污染防治与管理提供科学依据。
作者简介：胡义强(1990—),男,硕士,工程师,主要从事生态环境遥感研究。E-mail:hyiqiang@gdas.ac.cn通信作者： 杨骥。E-mail:yangji@gdas.ac.cn
![]()