高光譜成像儀在檢索城市河流水質參數(shù)方面的應用
健康的水環(huán)境對可持續(xù)的城市發(fā)展至關重要。然而，隨著城市化的快速推進和人口增長，工業(yè)廢水和生活污水造成了嚴重的水污染，危及人類健康和水生生態(tài)系統(tǒng)。傳統(tǒng)的水質監(jiān)測方法成本高昂且勞動密集。近年來，MODIS、Landsat 和 Sentinel 等衛(wèi)星圖像技術取得了進展，提供了廣泛且具成本效益的監(jiān)測手段，但由于空間和光譜分辨率的限制，在監(jiān)測總磷 (TP) 和化學需氧量 (CODMn) 等非光學活性參數(shù)時仍面臨挑戰(zhàn)。
機載高光譜成像儀通過提供高分辨率圖像，彌補了衛(wèi)星與地面監(jiān)測之間的不足，成為一種有效的解決方案。無人機獲取的高光譜圖像能夠捕捉到詳細的光譜數(shù)據(jù)，從而改善非光學活性水質參數(shù)的反演。盡管具備優(yōu)勢，但仍面臨諸如水質樣本有限和光譜特征復雜等挑戰(zhàn)。
有效的光譜預處理和特征選擇對于提高高光譜圖像水質反演的準確性和效率至關重要。分數(shù)階導數(shù) (FOD) 和離散小波變換 (DWT) 等技術能夠降低噪聲并提取有價值的信息，但它們在水質監(jiān)測中的應用仍處于發(fā)展階段。
本文旨在：(1) 評估 FOD、DWT 及特征選擇在水質參數(shù)反演中的有效性；(2) 比較不同回歸模型的性能；(3) 確定敏感光譜帶及其在水質估計中的作用。目標是建立一個基于無人機高光譜圖像的城市河流水質監(jiān)測綜合框架。這項研究聚焦于廣州市荔灣區(qū)部分河流。荔灣區(qū)位于廣州中心城區(qū)，人口稠密，擁有大量舊城區(qū)建筑以及發(fā)達的花卉和貿(mào)易產(chǎn)業(yè)。研究區(qū)位于珠江三角洲北部，地勢平坦，水系復雜，夏季降水充沛。人類活動產(chǎn)生的污染物通過排水系統(tǒng)進入城市河流，導致嚴重的水污染問題，甚至出現(xiàn)黑臭水體。自2015年以來，廣州市政府采取了一系列水環(huán)境治理措施，水質明顯改善。采樣點分布在花地河、葵蓬河、廣佛河和涌沙河。無人機圖像及部分視圖如圖1b所示，紅、綠、藍波段分別選為620 nm、520 nm、432 nm。
圖 1. 研究區(qū)域地圖和采樣點位置。（a）研究區(qū)域和采樣點的位置和（b）收集的無人機圖
圖2. 研究框架
2022年10月14日至15日，在圖1a所示位置共采集了45個水樣，采樣深度為水面以下0.5米。花地河大多數(shù)采樣點由船只在河中心進行采集，無法乘船的小河則在距岸邊約3米處采樣。由于當?shù)叵拗疲砗雍蛣ι澈铀罴s1.5-2米，未能使用船只采樣，且采樣點附近無河床露出，故無人機圖像僅記錄水面的反射率。每個采樣點收集五個250 mL水樣用于實驗室分析，以及兩個1 L備用樣品，樣品裝入棕色避光瓶中保存。所有水質指標在3天內測定，SD和TUB現(xiàn)場測定，TP和CODMn在實驗室條件下測定。采樣過程中使用便攜式GPS記錄地理位置。為保證采樣質量，進行了平行采樣，5個采樣點的平行采樣率為11.1%，每個點取3個平行樣，最終值為其平均值，采樣質量要求RSD≤10%。
表1. 無人機飛行時間和速度
無人機系統(tǒng)為大疆M300 RTK，飛行高度200 m，飛行時間和速度見表1。無人機搭載美國RESONON公司生產(chǎn)的Pika L 高光譜成像儀，重量0.6 kg，光譜范圍為400～1000 nm。由于水面光反射信號較弱，采用合并技術將多個相鄰像素合并為一個，從而提高線性CCD的像素響應度和信噪比。最終采集的無人機圖像的光譜間隔為4 nm。考慮到兩端的傳感器噪聲，最終選擇了400～900 nm范圍內的光譜信息。
圖3. 無人機圖像對應地面采樣點的光譜曲線：（a）無人機采樣點對應的原始反射光譜曲線；（b）具有不同級別WQPs的光譜曲線。
圖 4. FOD 處理后的平均光譜曲線。SG 是 SG 平滑后的 OR 平均值：(a) 階數(shù)從 0 到 1 的 FOD 反射率；(b) 階數(shù)從 1.1 到 2.0 的 FOD 反射率。
圖 5. FOD-DWT 后處理光譜與 (a) SD、(b) TUB、(c) TP 和 (d) CODMn 之間的相關性熱圖。FOD 的階數(shù)設置為步長 0.1。在 FOD 的每個 0.1 范圍內，從下到上對應 0 到 10 級 DWT。
圖 6. PCC 超過 0.5 的 FOD-DWT 數(shù)據(jù)集的數(shù)量，其中 (a) SD、(b) TUB、(c) TP 和 (d) CODMn。
圖 7. 基于多種特征選擇方法和回歸模型的精度結果比較：(a) SD、(b) TUB、(c) TP 和 (d) CODMn。
圖 8. 不同 FOD 和 DWT 值的光譜和 TP 的 PCC 最大值和平均值熱圖：(a) 階數(shù)從 0–1 的 FOD 反射率；(b) 階數(shù)從 1.1–2.0 的 FOD 反射率。
本研究表明，結合 FOD 和 DWT 的光譜預處理對高光譜圖像進行去噪，以及特征選擇以過濾敏感特征，可有效提高 WQP 估計的準確性。使用 FOD-DWT 處理的光譜數(shù)據(jù)作為輸入，DTR 模型顯示出 WQP 反演的良好潛力。根據(jù) WQP 的光譜特征和可用的采樣數(shù)據(jù)，正確選擇特征提取方法和 ML 回歸模型對于實現(xiàn)更高的回歸精度至關重要。基于機載高光譜技術，提出了一種有效的基于 ML 的框架，用于高度城市化地區(qū)的河流 WQP 檢索。
