汉江中下游典型河段水环境遥感评价.pdf

第33卷 第 1期 长 江 科 学 院 院 报 Vo1．33 No．1 2016年 1月 JournalofYangtzeRiverScientificResearchInstitute Jan．2 0 1 6 doi：10．11988／ckyyb 汉江中下游典型河段水环境遥感评价 肖 潇 ，徐 坚 ，赵登忠 ，胡承芳 ，汪朝辉 ，程学军 (1．武汉大学 资源环境与科学学院，武汉 430079；2．长江科学院 空间信息技术应用研究所，武汉 430010) 摘 要：选择汉江中下游典型河段作为研究区域，利用2012年春、夏、秋 3季水质采样结果及 HJ1A卫星 CCD同步 多光谱数据，建立了研究区总氮浓度BP神经网络反演模型，并根据反演结果对研究区进行水质状况评价。研究结 果表明：基于弹性 BP训练算法(启发式训练算法)的BP神经网络模型反演精度高，适用性强，可真实反映研究区 总氮浓度在不同河段及不同季节中的变化情况 ，可较好地利用国产卫星数据开展流域水质评价工作。水质评价结 果表明研究区在不同季节和不同区域水质差异较大，研究区春季总氮指标严重超标，夏、秋2季指标优于春季，下 游指标优于上游 。 关键词：汉江中下游 ；典型河段；水质评价；神经网络 ；多光谱数据；遥感反演模型 ． 中图分类号：P237；TP79 文献标志码：A 文章编号：1001—5485(2016)0卜0031—07 是一种黑箱算法，它不需要 了解输入与输出之间的 关系，模型通过简单的非线性函数多次拟合，可以实 1 研究背景 现低维到高维的非线性精确映射，具有较强的自适 应能力。基于这些优点，神经网络方法可以很好地 水质评价是水环境治理与监控中的重要工作， 模拟遥感信号与水质参数之间复杂的非线性关系， 通过水质监测，对水质做出合理评价，才能制定有针 且反演精度远高于经验模型_9引。针对总氮指数， 对性的水环境治理规划和方案。利用样点水样采 也有不少相关研究，如利用TM影像资料建立鄱阳 集、指标分析和等级评价等传统手段进行水质评价 湖和太湖的总氮指数神经网络反演模型，并将模型 只能给出样点处的水质状况，难以达到对大面积水 较好地应用于湖泊水质调查、分析和评价 ¨H；利 域进行评价的要求，而大规模开展实地采样分析将 用 SPOT5遥感影像，建立渭河陕西段BP神经网络 消耗大量的人力、物力和财力。近年来，随着遥感技 和 RBF神经网络水质反演模型，研究表明对于 自然 术的飞速发展，越来越多的研究者利用遥感手段对 河流，神经网络模型的水质参数反演结果明显好于 水体进行快速连续、动态监测 。基于遥感技术进行 线性 回归线模型结果 。 水质评价，国内外研究者已开展许多相关研究 J。 虽然神经网络模型在水质参数遥感反演模型的 大多数研究是利用遥感数据定量反演水质参数浓 建立上具有很多优点 (高速计算能力，大容量记忆 度，再以水质参数浓度为基准建立水质评价模型。