《水质检测在水环境保护中的应用研究国内外文献综述》2100字.docxVIP

水质检测在水环境保护中的应用研究国内外文献综述

水体物质浓度的差异会造成对水体表面入射光吸收和散射程度的不同，直接影响着水色、反射率、透明度等水体表观参数。不同的元素及它们的化合物具有独特的光谱特征，通过分析水体的光谱，就能够获取水中各种浮游植物和溶解、悬浮物质的成分信息。因此，通过遥感技术分析光谱特征反演水质参数是水质遥感定量监测的主要技术依据。

目前常用的水质遥感监测方法主要可以归纳为分析方法、经验方法和半经验方法[3]。分析方法的依据是辐射传输理论，主要根据遥感光谱反射率计算水体的吸收系数与后向散射系数等参数，并参考待测水质成分的吸收系数与后向散射系数特点，与计算的水体系数相联系，反演出水质参数的浓度。该方法具有普适性，但因涉及到水体的多种光学特性而相对复杂，实际使用有限。经验方法计算水质参数实地采样值与反射率之间的相关程度，分析敏感波段，对实测值与特征波段或波段组合进行统计分析，从而建立反演算法，不对水质参数的光谱特征知识和建立的统计关系给出物理解释。半经验方法综合利用物理知识和光谱信息来开发算法，将它们与被测成分相关联，得到的统计系数通常与特定的区域和时间相关。

表1.1三种水质参数估计方法对比

方法

优势

缺点

分析方法

依据物理机理建模，具有普适性

建模难度大

经验方法

算法较成熟，建模简单

无法给出物理解释，不具有普适性

半经验方法

有一定的物理依据

某些场合下建模复杂，不具有普适性

表1.1中归纳总结了三种水质参数遥感估计方法的优缺点，由于分析方法建模难度大，使用有限，目前的研究仍以经验方法和半经验方法为主，包括传统回归算法、随机森林、神经网络模型等。其中，传统的回归建模算法根据波段与水质实测值的相关性，选择水质参数的敏感波段（特征波段或波段组合）构建待测成分与光谱特征之间的统计关系。2016年，Yu等人就利用MODIS数据的可见光/近红外波段组合，使用多元逐步线性回归算法建立了渤海溶解无机氮浓度估计模型[4]。与传统方法相比，人工神经网络(ArtificialNeuralNetwork，ANN)需要较少的先验假设，当数据之间的潜在关系难以描述时，人工神经网络模型仍然有效，适合解决非线性和不确定问题。2016年，Nazeer和Nichol应用多层感知器神经网络完成了对光谱特征与沿海复杂水体中叶绿素a和总悬浮物浓度非线性关系的构建[5]。

作为光合作用的催化剂，叶绿素a(Chlorophyll-a，Chl-a)与水体中藻类的现存量直接相关，是描述内陆水环境生物物理状态、水质污染影响的关键指标，监测水中叶绿素a的浓度状态能够实现对水体营养状态、赤潮和水华情况的间接预测。

自上世纪70年代末以来，众多研究一直致力于水体叶绿素a浓度估计算法的开发，随着计算能力的增强和机器学习的发展，目前对清澈海水中叶绿素a浓度的估计已取得了较高的精度。然而，对于内陆和沿海水域，除了浮游植物外，其光学特性还由溶解有机物、颗粒有机物和无机颗粒物质的混合物决定[6]。因此，对叶绿素a浓度的测定更加复杂，针对清澈海洋开发的叶绿素a估计算法并不适用于内陆和沿海水域。并且，由于内陆水域的光学复杂性，全样本单一模型的水质参数估计无法达到足够高的精度[5]。

另一种估计复杂水域中水质参数的思路是将具有相似光学特性的水样分类，并为每一类水体单独建立合适的估计模型，以提升水质参数估计的准确性。

阈值分割是一种对水体进行光学分类的有效方法，分类前需要对全体样本点进行分析，依据经验知识和物理机理，通过分析样本光谱反射曲线形状特征，归纳具有相似的光学特性的样本点，确定水体类型。基于每一类水体中物质成分的差异，选取一个或多个可以表征几类水体不同特点的参数（往往是与某些水质参数相关的特定波段或波段组合）进行定量分析，比较该参数在事先定义的不同水体类型样本中的取值，最终确定分割的阈值。2018年，Du等人就根据以往的研究与分析，总结出基于Ln(Rrs700/Rrs675)波段比的水体分类方法，将水体划分为非藻类颗粒为主或浮游植物为主的两类[7]。当选择多个参数进行水体阈值分类时，往往将多个阈值与决策树模型联系起来应用。2015年，况润元等人基于实测数据与LandsatOLI影像，应用多段阈值构建了基于斜率的决策树模型，将鄱阳湖水体安装划分为具有不同浑浊程度的5类水体[8]。2019年，张等人开发了一种基于软分类的估计方法，该方法使用决策树方法将研究区域划分为三个OWT，并将每个OWT的估计结果与加权平均值混合[9]。一般情况下，不同研究建立的阈值分割模型是不同的，水体阈值分割中常采用的参数包括反射比、反射率波谷、光谱反射曲线斜率等，确定参数与阈值的过程较为复杂。大多阈值分割模型是基于局部或区域数据集确立，所建立的水体分类方法无法适用于其他水域[10]。