水质参数遥感反演光谱特征构建与敏感性分析

引用本文

王歆晖, 巩彩兰, 胡勇, 李澜, 何志杰. 水质参数遥感反演光谱特征构建与敏感性分析[J]. 光谱学与光谱分析, 2021,41(6): 1880-1885.
WANG Xin-hui, GONG Cai-lan, HU Yong, LI Lan, HE Zhi-jie. Spectral Feature Construction and Sensitivity Analysis of Water Quality Parameters Remote Sensing Inversion[J]. Spectroscopy and Spectral Analysis, 2021,41(6): 1880-1885.
Doi:10.3964/j.issn.1000-0593(2021)06-1880-06 复制到剪切板

Permissions

《光谱学与光谱分析》期刊社所有

水质参数遥感反演光谱特征构建与敏感性分析

王歆晖^1,², 巩彩兰^1,^2,^*, 胡勇^1,², 李澜^1,², 何志杰^1,²

1.中国科学院红外探测与成像技术重点实验室, 中国科学院上海技术物理研究所, 上海 200083

2.中国科学院大学, 北京 100049

*通讯作者 e-mail: gcl@mail.sitp.ac.cn

作者简介: 王歆晖, 1995年生, 中国科学院上海技术物理研究所博士研究生 e-mail: wangxinhui@mail.sitp.ac.cn

收稿日期: 2020-06-19 修回日期: 2020-10-25

基金: 国家重点研发计划项目(2017YFC0602100, 2017YFC0602103); 上海市水务局科研项目(沪水科2018-07); 上海市气象科学研究所横向课题《空间特征在强背景下弱信号提取中的应用方法》, 中国科学院上海技术物理研究所创新项目(CX-204)资助

摘要

水质遥感监测是遥感的重要应用方向之一, 作为传统水体采样化验的辅助手段, 具有快速、大面积、无接触的技术优点。然而, 目前内陆河湖水环境监测常用的遥感传感器大多是针对陆地观测或海洋水色观测而设计的, 其性能指标的设计和设置并未考虑到内陆水体特性, 限制了水质遥感定量监测的应用。针对这一问题, 提出了一种基于变异系数和噪声占比指数的水质参数反演光谱特征构建方法, 并通过光谱仿真模拟实验, 研究光谱分辨率、信噪比以及辐射分辨率对典型水质参数反演模型的影响。选择上海市三项典型水质参数溶解氧(DO)、总磷(TP)和氨氮(NH₃-N)为研究对象, 分别构建了水质参数反演光谱特征及相应遥感反演模型, 然后开展光谱仿真模拟实验, 定义了敏感度S和水质敏感微分指数CI, 进行敏感性分析。最终从模型反演准确度和稳定性两个方面来评价仪器参数对水质参数遥感反演模型的影响。结果表明: 光谱特征构建方法能有效确定水质参数反演特征波段。光谱分辨率对比值型的水质参数反演模型的影响较小, 而信噪比和辐射分辨率对模型影响较大, 随着信噪比和辐射分辨率的增加, 水质参数模型精度和稳定性都有一定提升。综合仪器指标敏感性分析, 可知当信噪比优于56 dB, 辐射分辨率不低于9 bit, 光谱分辨率适宜, 能够较好地应用于内陆河湖水质遥感监测。该研究不仅可以为面向内陆河湖水质监测的传感器的研制提供参考和借鉴, 还能为水资源监管部门进行水质遥感监测提供技术支持, 有利于加快水环境智能化监测体系的构建。

关键词: 内陆水质; 高光谱遥感; 传感器参数; 敏感性分析

中图分类号:O433.4 文献标志码:A

Spectral Feature Construction and Sensitivity Analysis of Water Quality Parameters Remote Sensing Inversion

WANG Xin-hui^1,², GONG Cai-lan^1,^2,^*, HU Yong^1,², LI Lan^1,², HE Zhi-jie^1,²

1. Key Laboratory of Infrared System Detection and Imaging Technology Shanghai Institute of Technical Physics, Chinese Academy of Sciences, Shanghai 200083, China

2. University of Chinese Academy of Sciences, Beijing 100049, China

*Corresponding author

Abstract

Water quality remote sensing monitoring is one of the important application directions of remote sensing. As an auxiliary mean of traditional water sampling and testing, remote sensing has the advantages of rapid, large-area and contactless. However, most remote sensing sensors commonly used in inland water monitoring are designed for land observation or ocean watercolor observation. The design and setting of sensor performance indicators do not consider the characteristics of inland water, limiting the application of water quality remote sensing monitoring. This study proposes a method for constructing the spectral characteristics of water quality parameter based on variation coefficient and noise ratio index, and study the influence of the spectral resolution, signal-to-noise ratio (SNR) and radiation resolution on typical water quality parameters inversion models through the spectral simulation experiments. Firstly, aimed at three main water quality parameters in Shanghai, we construct the spectral characteristics of dissolved oxygen(DO), total phosphorus(TP) and ammonia nitrogen (NH₃-N) respectively and establish remote sensing inversion models. Then, we carry out the spectral simulation experiment and calculate the sensitivity (S) and water quality sensitive differential index (CI) for sensitivity analysis. Finally, we evaluate the spectral resolution’s influence, SNR and radiation resolution on water quality parameters inversion models from two aspects of accuracy and stability. The results show that this method can effectively determine the bands of water quality parameters inversion models. Spectral resolution has little effect on the contrast-type inversion models, while SNR and radiation resolution greatly influence the models. With the increase of SNR and radiation resolution, the water quality inversion models’ accuracy and stability are improved to some extent. According to Comprehensive sensitivity analysis of sensors parameters, when the SNR is better than 56 dB, the radiation resolution is not less than 9 bit, and the spectral resolution is appropriate. It can be better applied to inland water quality remote sensing monitoring. This research can provide a reference for the development of sensors for inland water quality monitoring and provide technical support for water resources supervision departments to carry out remote sensing monitoring of water quality, which is conducive to accelerating the construction of an intelligent monitoring system for the water environment.

Keyword: Inland water quality; Hyperspectral remote sensing; Sensor parameters; Sensitivity analysis

文章图片

引言

内陆河流受自然因素和人类活动的影响, 水质状况受到了严峻挑战, 也对水质监测技术手段提出了更高的要求。传统水质监测采用人工采样化验的方式, 监测效率低^{[1, 2]}。水质遥感作为现有监测体系的辅助手段, 可获取多尺度多时相的河湖水体信息, 受到了国内外专家学者们的重视, 内陆水体遥感监测已经开展多年^{[3, 4, 5]}。龚绍琦等在实验室测定了含不同浓度氮、磷的水体反射率光谱, 并建立了总磷、总氮浓度的反演模型^[6]。 Kisevic等利用双波段比值模型成功反演了萨瓦河中悬浮物和叶绿素的浓度^[7]。然而, 上述研究所采用的遥感传感器大多应用于陆地观测或海洋水色监测, 仪器参数的设置通常并未考虑到内陆河湖水体特性, 而水质遥感反演模型效果又很大程度上受传感器性能限制, 这导致当前水质监测效果参差不一, 适用性不强。仪器的光谱分辨率、信噪比、波段设置等指标, 直接影响水质监测的效果, 因此亟需对内陆河湖水体特性进行分析, 明确仪器指标对水质参数遥感反演模型的具体敏感程度, 进而研制相应的遥感传感器。

鉴于此, 以上海市三种典型水质参数溶解氧、总磷和氨氮为研究对象, 构建了水质参数反演光谱特征并建立遥感反演模型。通过光谱仿真模拟实验分析了水质参数对不同仪器性能参数的敏感程度。最终分别测试了不同光谱分辨率、信噪比和辐射分辨率下, 水质参数反演模型的准确度和稳定性, 给出了内陆河湖水质遥感监测需要满足的传感器性能参数, 可为未来内陆水质监测传感器的制备提供参考与借鉴, 进一步促进水质遥感监测的推广应用。

1 实验部分

1.1 水质参数反演光谱特征构建方法

水质参数遥感反演机理在于水质参数变化会改变水体理化性质, 间接影响水体光谱反射特性。基于此, 本文提出了一种基于光谱变异系数和噪声占比指数的水质参数反演光谱特征构建方法, 从光谱差异性角度提取潜在特征, 进而构建水质参数反演光谱特征。具体方法流程见图1。

	Figure Option View Download New Window
	图1 水质参数反演光谱特征构建方法流程图Fig.1 Flow chart of method for constructing spectral characteristics of water quality parameter inversion

(1)变异系数C计算。水质参数浓度的变化会间接反映在水体光谱反射率的差异性上。根据实测光谱的各波段标准差与均值计算变异系数, 计算见式(1)。变异系数值越大, 表明该波段各水体样本反射率差异性越大, 属于反演特征波段的可能性就越高。

$C (λ) = \frac{\sqrt[]{\frac{1}{N} \overset{N}{\sum_{i = 1}} {(R_{i} (λ) - \frac{1}{N} \overset{N}{\sum_{i = 1}} R_{i} (λ))}^{2}}}{\frac{1}{N} \overset{N}{\sum_{i = 1}} R_{i} (λ)}$ (1)

式(1)中, N为水体样本总数, R_i(λ )为第i个水体样本在波长λ 处的反射率。

(2)噪声占比指数(noise ratio index, NRI)计算。反射率光谱的波动差异性并不仅仅由水质参数的不同导致, 也可能是噪声引起的。采用Savitzky-Golay滤波^[8]对原始反射率曲线进行平滑处理, 计算噪声和信号的比值。噪声占比指数越高, 说明该波段的反射率差异更多是由噪声引起的。

$NRI (λ) = \frac{1}{N} \overset{N}{\sum_{i = 1}} \frac{| R_{i} (λ) - {\dot{R}}_{i} (λ) |}{{\dot{R}}_{i} (λ)}$ (2)

式(2)中, ${\dot{R}}_{i}$ (λ )为第i个水体样本经平滑后在波段λ 处的反射率。

(3)计算水质反演特征指数(variable coefficient and noise ratioindex, CNRI)。基于变异系数和噪声占比指数定义水质参数反演特征指数CNRI, 表征与水质参数有关的潜在特征, 同时排除了噪声的干扰, 计算见式(3)。

$CNRI (λ) = \frac{C (λ)}{100 \times NRI (λ)}$ (3)

(4)局部峰值提取。基于差分思想滑动窗口提取局部极大值点, 考虑到平滑滤波影响以及波段相关性等因素, 去除峰值附近的无关极值点, 最终得到候选特征。

(5)特征交叉筛选。对候选特征进行两两交叉, 通过加减乘除运算分别得到组合特征, 并计算水质参数和各组合特征的Spearman相关系数, 降次排序筛选出最适特征波段组合。

1.2 传感器参数与水质敏感微分指数构建

理论上, 光谱分辨率越高、探测目标特征的能力就越强, 但从仪器设计的角度而言是不现实的, 因此还需要综合考虑信噪比、辐射分辨率等性能参数。通过光谱仿真模拟实验分别测试不同仪器参数对水质参数反演模型的影响, 具体实验内容分为(1)光谱分辨率: 假设光谱仪的光谱响应函数符合高斯函数分布, 通过光谱重采样得到不同光谱分辨率下的水体反射率数据; (2)信噪比: 根据不同信噪比向水体反射率光谱曲线叠加高斯白噪声; (3)辐射分辨率: 对当前动态范围内的水体光谱曲线按照不同量化级别进行向上取整量化采样。

为定量评价仪器性能参数对水质参数反演模型的影响, 针对水质参数反演模型y=f $(\frac{R_{B 1}}{R_{B 2}})$ , 用敏感度S表征水质参数反演模型对仪器参数的相对敏感程度, 构建了水质敏感微分指数(differential calculus index, CI), 用于指示仪器参数对水质参数反演模型的影响水平, 具体公式如式(4)和式(5)

$S = \frac{Δ Y}{Y_{0}} = \frac{Y (R_{0} + Δ R) - Y (R_{0})}{Y (R_{0})} \times 100 %$ (4)

$\begin{array}{l} CI = a \times (\frac{1}{R_{B 1}} Δ R_{B 1} - \frac{R_{B 1}}{R_{B 2}^{2}} Δ R_{B 2}) \end{array}$ (5)

式(4)中, R₀和Y₀分别为初始条件下模型输入值、输出值, Δ R和Δ Y分别为仪器参数改变后模型输入改变量、输出改变量。式(5)中, a为水质参数反演模型系数, R_B₁和R_B₂分别为水质参数反演模型选用的特征波段反射率, Δ R_B₁和Δ R_B₂分别为仪器参数改变后特征波段反射率改变量。

2 结果与讨论

2.1 水质参数反演特征构建及建模

针对上海市主要超标水质参数: 溶解氧、氨氮和总磷, 于2018年9月至2019年5月分批开展了8次水质采样以及同步水体光谱测量实验, 共获得了81条有效水质参数数据。图2为实测水体高光谱反射率曲线。

	Figure Option View Download New Window
	图2 水体高光谱反射率曲线图Fig.2 Hyperspectral reflectance curves of water

根据式(3)最终得到CNRI曲线图, 如图3所示。利用本文方法可得到DO, TP和NH₃-N的最佳反演光谱特征波段比值分别为689/660 nm, 740/636 nm和740/632 nm。

	Figure Option View Download New Window
	图3 水质参数反演特征指数CNRI曲线图Fig.3 Inversion characteristic index of water quality parameters

在此基础上构建了水质参数反演模型, 结果见表1, 实验结果进一步证实了双波段比值在一定程度上能够消除测量误差和环境影响^[9]。

表1 水质参数反演模型拟合结果表 Table 1 Fitting results of water quality parameter inversion model

水质参数	模型	R²	RMSE
溶解氧DO	y=34.48× $\frac{R_{B 689}}{R_{B 660}}$ -29.32	0.705	1.406
总磷TP	y=0.047 $e^{2.47 \frac{R_{B 740}}{R_{B 636}}}$	0.730	0.061 3
氨氮NH₃-N	y=0.05 $e^{4.568 \frac{R_{B 740}}{R_{B 632}}}$	0.744	0.542 0

表1 水质参数反演模型拟合结果表 Table 1 Fitting results of water quality parameter inversion model

2.2 敏感性分析

根据式(5)分别计算了水质参数DO, TP和NH₃-N的敏感微分指数CI, 计算结果如图4所示。不同的水体样本用不同颜色曲线表示, 横坐标分别为半峰宽度(FWHM)、信噪比(SNR)和量化级别(Quantization level), 纵坐标是水质敏感微分指数CI。结果显示随着光谱分辨率、信噪比和辐射分辨率的提升, CI指数绝对值逐渐减小, 说明水质参数反演结果的变化量逐渐减少。水质参数变化量小于0.01%时, 光谱分辨率要达到2.3 nm, 信噪比要达到56 dB, 辐射分辨率要达到9 bit。

	Figure Option View Download New Window
	图4 不同仪器指标仿真下水质参数CI指数Fig.4 CI simulations under different instrument indexes

按式(4)测试了水质参数反演模型对不同光谱分辨率、信噪比和辐射分辨率的敏感度S, 见图5。随着光谱分辨率、信噪比和辐射分辨率的提升, 敏感度值S逐渐降低, 最终接近0。当固定三项仪器参数不变时, 敏感度按大小排列分别是: 溶解氧> 总磷> 氨氮, 因此, 对仪器指标最敏感的水质参数是溶解氧。

	Figure Option View Download New Window
	图5 不同仪器指标与水质参数敏感度S关系Fig.5 Relationship between instrument indexes and S of water quality parameters

2.3 仪器指标对模型影响

选择平均绝对百分比误差(mean absolute percentage error, MAPE)和绝对百分比误差标准差(standard deviation of absolute percentage error, SAPE)为评价指标, 使用20个样本的实测水质参数值和模型反演结果, 评价仪器指标对于模型准确度和稳定性的影响, 误差曲线如图6所示。从模型反演结果来看, 模型精度按大小排列是: 溶解氧> 总磷> 氨氮。总体来看, 光谱分辨率的变化对三项水质参数反演模型的影响较小, 而信噪比和辐射分辨率则与模型的准确度和稳定性关系密切。随着信噪比的提升, 模型的MAPE和SAPE整体呈波动下降趋势, 而辐射分辨率增加, 反演模型的MAPE下降, 氨氮和总磷模型SAPE下降, 这表明两者的提升能到一定程度上提高反演模型的准确度和稳定性。当信噪比达到56 dB, 辐射分辨率达到9 bit时, MAPE和SAPE趋于稳定不变。

	Figure Option View Download New Window
	图6 不同仪器指标的MAPE和SAPEFig.6 Relationship between different instrument indexes and MAPE & SAPE

3 结论

针对内陆水体水质高光谱遥感反演, 提出了基于光谱变异系数和噪声占比指数的水质参数反演光谱特征构建方法, 进行了传感器参数敏感性分析和水质模型误差分析后得到以下结论: (1)随着光谱分辨率、信噪比和辐射分辨率的提高, 敏感性逐渐减小, 对仪器参数最敏感的水质参数是溶解氧。 (2)光谱分辨率对比值型水质参数模型的精度和稳定性影响较小, 而信噪比和辐射分辨率的提升能一定程度上提升模型的准确度和稳定性。在水质监测遥感传感器性能参数设置时, 信噪比和辐射分辨率的优先级要高于光谱分辨率。 (3)综合仪器指标敏感性分析, 可知信噪比优于56 dB, 辐射分辨率不低于9 bit, 光谱分辨率适宜, 能够较好地应用于内陆水体水质遥感监测。本文分别对光谱分辨率、信噪比和辐射分辨率进行独立研究, 尚未考虑三者之间的内在联系以及对水质参数反演的综合影响, 在后续研究中将针对这一问题进行深入研究。

参考文献

文献列表

[1]	Palmer S C J, Kutser T, Hunter P D. Remote Sensing of Environment, 2015, 157: 1. [本文引用:1]
[2]	DUAN Hong-tao, LUO Ju-hua, CAO Zhi-gang, et al(段洪涛, 罗菊花, 曹志刚, 等). Progress in Geography(地球科学进展), 2019, 38(8): 1182. [本文引用:1]
[3]	LI Sheng-yang, LIU Zhi-wen, LIU Kang, et al(李盛阳, 刘志文, 刘康, 等). Infrared and Laser Engineering(红外与激光工程), 2019, 48(3): 9. [本文引用:1]
[4]	Boucher J, Weathers K C, Norouzi H, et al. Ecological Applications, 2018, 28(4): 1044. [本文引用:1]
[5]	El Din E S, Zhang Y, Suliman A. International Journal of Remote Sensing, 2017, 38(3-4): 1023. [本文引用:1]
[6]	GONG Shao-qi, HUANG Jia-zhu, LI Yun-mei, et al(龚绍琦, 黄家柱, 李云梅, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2008, 28(4): 839. [本文引用:1]
[7]	Kiševic M, Morovic M, Andrievic R. Fresenius Environmental Bulletin, 2016, 25(11): 4814. [本文引用:1]
[8]	Nikonov A V, Davletshin R V, Iakovleva N I, et al. Journal of Communications Technology & Electronics, 2017, 62(9): 1048. [本文引用:1]
[9]	LIN Jian-yuan, ZHANG Chang-xing(林剑远, 张长兴). Remote Sensing Information(遥感信息), 2019, 34(2): 23. [本文引用:1]

2015

0.0

... 传统水质监测采用人工采样化验的方式, 监测效率低^[1,2] ...

2019

0.0

... 传统水质监测采用人工采样化验的方式, 监测效率低^[1,2] ...

2019

0.0

... 水质遥感作为现有监测体系的辅助手段, 可获取多尺度多时相的河湖水体信息, 受到了国内外专家学者们的重视, 内陆水体遥感监测已经开展多年^[3,4,5] ...

2018

0.0

2017

0.0

2008

0.0

... 龚绍琦等在实验室测定了含不同浓度氮、磷的水体反射率光谱, 并建立了总磷、总氮浓度的反演模型^[6] ...

2016

0.0

... Kisevic等利用双波段比值模型成功反演了萨瓦河中悬浮物和叶绿素的浓度^[7] ...

2017

0.0

... 采用Savitzky-Golay滤波^[8]对原始反射率曲线进行平滑处理, 计算噪声和信号的比值 ...

2019

0.0

... 在此基础上构建了水质参数反演模型, 结果见表1, 实验结果进一步证实了双波段比值在一定程度上能够消除测量误差和环境影响^[9] ...