茅尾海入海河口池塘養殖污染狀況遙感調查

本文內容來源於《測繪通報》2022年第7期，審圖號：GS京（2022）0341號

茅尾海入海河口池塘養殖污染狀況遙感調查

胡義強^1,2, 楊驥^1,2, 荊文龍^1,2, 彭小燕³, 藍文陸³, 彭夢微³, 張雨萌⁴

1. 廣東省科學院廣州地理研究所(廣東省遙感與地理信息系統應用重點實驗室, 廣東省地理時空大數據工程實驗室), 廣東 廣州 510070;

2. 南方海洋科學與工程廣東省實驗室(廣州), 廣東 廣州 511458;

3. 廣西壯族自治區海洋環境監測中心站, 廣西 北海 536000;

4. 廣東工業大學環境生態工程研究院, 廣東 廣州 510006

基金項目：廣西科技重點研發計劃(桂科AB20297037);國家自然科學基金(41976189;41976190);廣東省科學院實施創新驅動發展能力建設專項(2019GDASYL-0301001);廣東省科技計劃項目(2021B1212100006);廣東省引進創新創業團隊項目(2016ZT06D336);南方海洋科學與工程廣東省實驗室(廣州)(GML2019ZD0301);人才團隊引進重大專項(GML2019ZD0301)

關鍵詞：池塘養殖, 無人機, 水質參數, 遙感反演, 營養評價

引文格式：胡義強, 楊驥, 荊文龍, 等. 茅尾海入海河口池塘養殖污染狀況遙感調查[J]. 測繪通報, 2022(7): 12-17,53. DOI: 10.13474/j.cnki.11-2246.2022.0196.

摘要

摘要：針對廣西茅尾海入海河口池塘養殖污染問題,本文利用無人機多光譜遙感影像和實測水質數據,建立了反映水體營養狀態的葉綠素a (Chl-a)、化學需氧量(COD)、懸浮物(SS)、總氮(TN)、總磷(TP)5種水質參數,反演光譜特徵及遙感反演模型,並利用湖泊綜合營養指數法對水體富營養化狀態進行評價。研究結果表明:①Chl-a與藍、近紅外波段相關性顯著,COD與紅、紅邊波段相關性顯著,SS與紅邊波段相關性顯著,TN與近紅外波段相關性顯著,TP與藍、綠波段相關性顯著;②在建立的幾種水質參數反演模型中,二次多項式函數反演模型綜合效果最佳;③池塘養殖區水體富營養指數多集中在60～80,屬於中度和重度富營養化程度,且近岸水體富營養化程度大多低於遠岸。

正文

水產養殖污染主要指養殖過程中水體富營養化、池塘底泥富集污染和濫用藥物造成的污染^[1]。養殖污染主要表現為在水產養殖過程中引起的氮(N)、磷(P)、化學需氧量(COD)等的排放量超出近岸海洋環境的承載力和自淨能力，造成海水富營養化及其他海洋環境的破壞和異常^[2]。水質監測是評價水質情況與水污染防治的主要科學依據，常規的水產養殖水質監測方法主要通過人工定時定點採集水樣後，經實驗室檢測分析獲得水體污染物濃度。這種監測方法雖然精度高，但是往往需要大量的人力、物力、財力。有些區域受採樣地天氣、水文等條件的影響，難以開展採樣工作，並且傳統的監測方式只能獲取局部指定點位的水質參數情況，覆蓋範圍有限，無法獲取整個區域的水產養殖污染信息。遙感技術具有監測範圍廣、成像信息豐富、數據成本低等優勢，可以彌補傳統水質監測方法的不足，在近海水產養殖水質污染動態監測方面得到廣泛應用。水質遙感監測主要基於水體表現的光譜特性，通過分析其與水體不同水質參數間的關係，建立水質參數反演模型，估算水質參數濃度^[3]。文獻[4]基於Google Earth Engine平台構建了多元特徵建立水質反演模型，利用綜合營養指數分析了我國南海富營養化的時空趨勢。文獻[5]利用Landsat 8 OLI遙感影像，建立近紅外波段與其他波段組合的水體濁度遙感反演模型，有效地監測了該區域的水體濁度情況。文獻[6]基於國產高分一號影像數據，對水庫葉綠素a(Chl-a)濃度進行反演分析，得到區間為550~620 nm波段，葉綠素a模型反演精度較優。文獻[7]利用基於Landsat8數據與實測水質數據，通過構建反演模型得到了COD和NH₃-N的空間分布情況。已有研究表明^[8-12]，衛星遙感可較好地應用於水質反演中，但是針對廣西河口和海灣等具有鹽度特徵的水體水質參數反演方面相關研究較少，且研究中使用的多光譜衛星影像的空間解析度，不足以用於反演一些小微水體(如池塘養殖等)的營養狀態^[13]。此外衛星影像常受到雲層遮擋的影響，而且衛星影像成像時間與實測水樣時間往往存在差異，導致水質反演模型不能很好地反映水體營養狀態。

近年來，無人機在遙感領域的應用也在逐步發展^[14-15]，作為一種新型的低空遙感平台，它攜帶方便、起降靈活，不受定位和時間限制，彌補了衛星遙感存在的重訪周期長、影像解析度低、易受雲層影響和成本高等不足^[16]。本文以廣西茅尾海入海口池塘養殖為研究區域，利用無人機多光譜數據和實測水質檢測數據，通過相關性分析篩選出水質參數反演光譜特徵波段，構建水質參數反演模型，得到池塘養殖水質參數空間分布情況，以期為有關部門開展池塘養殖污染監測提供新的技術手段。

1 研究區與數據1.1 研究區介紹

廣西茅尾海位於北部灣海域最北端，屬於欽州灣的內灣，海域面積為135 km²，茅尾海海灣內寬口窄，常年有茅嶺江、大欖江、欽江入灣徑流輸入(如圖 1所示)，東、西、北面被陸地包圍，屬於典型的內海，有「南渤海」等美譽。近年來，隨著北部灣經濟的快速發展，茅尾海沿岸水產養殖尾水的無序排放、海水養殖及漁業活動的污染等問題也日漸突顯。本文以茅尾海大欖江入海口池塘養殖區為研究對象，對其水體污染及水體富營養化情況進行遙感調查研究。

圖 1研究區位置

1.2 水樣採集與水質參數檢測

檢測的水質數據來自2021年4月8日—4月10日在茅尾海大欖江入海口池塘養殖研究區內採集的33個地面監測點位水樣。包含大欖江6個監測點，大欖江周邊池塘養殖區27個池塘監測點，養殖池塘包含不同的養殖類型(養魚、養蝦、魚蝦混養)。地面水樣使用采水器採集表層水(水面下0.5 m)，檢測的水質項目包括化學需氧量(COD)、懸浮物(SS)、葉綠素a、總磷(TP)、總氮(TN)等。由於檢測點位水體鹽度均大於3‰，各水質要素的採集、處理和分析方法按照《海洋監測規範》(GB 17378.4—2007)執行。

1.3 多光譜遙感數據採集

利用大疆精靈4多光譜版無人機(P4 multispectral)獲取遙感數據。它搭載了一體式的多光譜成像系統，集成了1個可見光傳感器及5個多光譜傳感器(藍、綠、紅、紅邊和近紅外)，可輸出高質量的數據。與水樣採集時間同步，利用無人機在試驗區域上空採集多光譜數據。考慮風速的影響，設定無人機飛行高度為120 m，飛行速度為5 m/s，設置飛行的航向重疊度和旁向重疊度分別為80%和60%，無人機採樣區域範圍覆蓋面積約30.3 km²，共計飛行60架次。

1.4 多光譜遙感數據預處理

(1) 圖像拼接。首先將採集的多光譜影像數據經過篩選，剔除一些含過曝、模糊、太陽耀斑等質量較差的影像，然後利用Pix4Dmapper專業軟體進行無人機多光譜影像拼接，根據無人機飛行器所記錄的POS信息，提取外方位元素，通過共線方程計算影像4個角點的坐標。

(2) 輻射校正。由於無人機飛行高度不是很高，受大氣氣溶膠等影響不是非常明顯，因此可以省去大氣的影響，只進行輻射校正。多光譜傳感器獲取的是像元的亮度值(DN值)，記錄的是地物的灰度值，在進行反演模型擬合、建立水質參數與遙感影像關係時，需要將多光譜影像的DN值轉換為地物反射率。

(3) 幾何校正。在無人機飛行拍攝中，由於受風力和傳感器的影響，像元大小與地面大小對應不準確，造成地物形狀不規則變化。因此，需要通過野外採集的地面控制點，對影像進行幾何校正。

2 研究方法

首先利用水體提取方法，對遙感影像進行水體掩膜提取；其次採用相關分析法，分析光譜參數與實測水質參數的相關性，得到與水質參數最為敏感的波段或波段組合；然後利用均方根誤差和決定係數評定回歸模型，選擇最優水質參數反演模型，反演研究區水質參數；最後利用湖泊綜合營養指數法對水質參數估算結果進行富營養化評價。

2.1 水體提取方法

為了更有效地消除陸地部分對於水體反演結果的影響，需要對遙感影像進行水體掩膜提取。使用歸一化差異水體指數(NDWI)算法提取研究區域水體，公式為

(1)

式中，Green代表綠波段，對應多光譜數據B2波段；NIR為近紅外波段，對應多光譜數據B5波段。

2.2 光譜參數模型構建

試驗採用的無人機多光譜數據共有5個波段，為降低背景信息的干擾，增強有效的光譜信息，可將兩種及以上波段進行多樣化的組合計算。參考已有水質反演研究中使用的波段組合^[17-18]，本文構建了歸一化指數(NDI)、差異指數(DI)和比率指數(RI)，公式為

(2)

(3)

(4)

式中，i=1, 2，…，5；j=1, 2，…，5；Bi和Bj表示無人機多光譜影像的不同波段值。

2.3 相關性分析法

Pearson相關係數是由兩個變量間的協方差除以其標準差的乘積求得，用於反映兩個變量間的線性相關程度。通過對多光譜影像光譜參數與水質參數之間的相關性分析，得到與水質參數最為敏感的波段或波段組合，其公式為

(5)

式中，r_xy代表兩者的相關係數；n為樣品總數；x_i為第i個樣品的光譜參數值；y_i為第i個樣品的水質參數；、分別為兩變量樣本的平均值；r_xy的取值範圍為[-1, 1]。若0 < r_xy≤1，表明x與y之間存在正線性相關關係；若-1≤r_xy< 0，表明x與y之間存在負線性相關關係。

2.4 回歸模型

回歸模型主要基於統計學原理，用於描述因變量y與自變量x和誤差項的關係，常用的水質反演回歸模型如下。

(1) 線性函數

(6)

式中，k為線性模型的斜率；b為截距。

(2) 多項式函數

(7)

式中，β₀為多項式中的常數項；β₁，β₂，…，β_i為其回歸係數。

2.5 模型精度評定

通過計算均方根誤差(RMSE)、決定係數(R²) 評定反演模型精度，選擇最優的水質反演模型反演無人機多光譜數據水質參數，生成水質參數分布圖, 實現水質參數可視化。決定係數表達式為

(8)

均方根誤差表達式為

(9)

式中，y_pi、yt_i分別代表水樣實測值和反演模型預測值；n為樣本總數。

2.6 富營養評價指數構建

湖泊綜合營養指數法是由卡爾森營養狀態指數(TSI)衍生得出，它以Chl-a的狀態指數為基準，在其餘水質參數中選擇與Chl-a具有較強相關性的水質狀態因子，並與TLI(Chl-a)進行加權綜合^[19-20]，見表 1。其公式為

(10)

表 1 水質營養狀態劃分

式中，TLI代表綜合營養狀態指數；w_j代表第j種參數的營養狀態指數相關權重；TLI(j)表示第j種參數營養狀態指數，且所有參數都以Chl-a作為基準的參數。權重公式為

(11)

式中，Rij²代表第j種參數與Chl-a的相關係數；m為評價參數個數。

3 結果與分析3.1 水質參數遙感反演

在水質參數反演模型構建中，將無人機遙感影像的5個波段，聯合根據式(2)—式(4)構建的NDI、DI和RI 3組波段組合，最終獲得35種無人機光譜參數，分別將這些光譜參數與實測水質參數濃度進行Pearson相關性分析，得出與5種水質參數具有最大Pearson相關係數的波段或波段組合，見表 2。

表 2 不同水質參數特徵波段組合相關係數

由表 2可知，與5種水質參數具有最大Pearson相關係數的波段組合情況為：葉綠素a與NDI(B1, B5)相關程度較高，相關係數為-0.880；化學需氧量與DI(B3, B4)相關度較高，相關係數為-0.879；懸浮物濃度與B4相關程度較高，相關係數為0.788；總氮與B5相關性較高，相關係數為0.651；總磷DI(B1, B2)相關程度較高，相關係數為0.872。

選取上述相關性最高的波段或波段組合的光譜參數作為自變量，分別對應實測的葉綠素a濃度、化學需氧量濃度、懸浮物濃度、總氮濃度和總磷濃度值作為因變量，建立線性模型、二次多項式模型和三次多項式模型，進行回歸擬合。通過模型精度比較，從中選取R²較大的模型作為最優反演模型。水質參數濃度的反演模型情況見表 3。

表 3 水質參數反演模型精度評估結果

由表 3可知，研究區域5種水質參數最佳反演模型情況：各水質參數的反演模型的R²均在0.5以上，葉綠素a濃度和化學需氧量濃度反演模型，均為三次多項式模型效果最佳，其模型擬合的R²分別達到了0.823和0.838；而懸浮物濃度、總氮濃度、總磷濃度反演模型雖然三次多項式模型的R²值最大，但出現了明顯的過擬合現象。相比之下，二次多項式模型的綜合擬合效果最優，因此選取二次多項式模型作為這3種水質參數的最優反演模型。

3.2 水質參數無人機多光譜圖像反演

通過使用上述最優反演模型對獲取的無人機多光譜影像各像元進行估算，反演出研究區域的Chl-a、COD、SS、TN和TP 5種水質參數濃度的估算結果，並繪製出池塘養殖區各水質參數的空間分布(如圖 2所示)。由反演結果可知：大欖江上游葉綠素a濃度比下游高，且東岸上游和西岸下游的池塘葉綠素a濃度總體偏高，最高濃度可達165 μg/L；大欖江河流化學需氧量濃度明顯低於池塘養殖區，兩岸池塘化學需氧量濃度總體都較高，最高濃度可達46 mg/L；大欖江上游懸浮物濃度明顯高於下游，西岸下游部分池塘懸浮物濃度偏高，最高濃度可達80 mg/L；大欖江上游總氮濃度高於下游，上游東岸和下游西岸局部池塘總氮濃度偏高，最高濃度可達6 mg/L；大欖江總磷濃度明顯低於池塘養殖區，下游池塘養殖區總磷濃度明顯高於上游，且東岸下游濃度高於西岸下游，最高濃度可達4 mg/L。

圖 2各水質參數濃度空間分布

3.3 水體富營養化狀態評估

水體富營養化評價方法有很多，本文採用湖泊綜合營養指數法評價研究區域水體富營養化的狀態，根據式(10)—式(11)，選擇與Chl-a具有較強相關性的水質參數TN、TP、SS、COD進行加權綜合，得到水體富營養化指數TLI。通過反演富營養化指數可有效反映池塘養殖區水質的狀態。利用無人機多光譜數據和水質參數反演模型，對反演得到的水質參數濃度的估算結果，運用綜合營養指數法進行富營養化評價，根據水質營養狀態劃分，將水體營養物質的污染程度分為：貧營養、中營養和輕度富營養、中度富營養和重度富營養5種水平，其營養狀態空間分布如圖 3所示。

圖 3水體營養狀態空間分布

根據圖 3可知，研究區水體富營養指數處於0~89之間，總體富營養化程度較高。池塘區域水體富營養指數多集中在60~80，多屬於中度和重度富營養化程度，且大多近岸水體富營養化程度低於遠岸。大欖江水體出現了部分輕度營養化的狀態，且下游富營養化程度高於上游。通過提取研究區域所有水體，並根據水體富營養估算統計，如圖 4可知，研究區域水體面積中，營養狀態為貧營養的占比4.6%；中營養的占比10%；輕度富營養的占比12.5%；中度富營養的占比52.4%；重度富營養的占比20.5%，如圖 4所示。

\

圖 4不同水質營養狀態面積占比

4 結論

本文基於無人機多光譜遙感數據與地面實測水質數據，通過構建水質參數遙感反演模型，對水體富營養化相關的5個水質參數：葉綠素a、化學需氧量、懸浮物、總氮、總磷等濃度進行了反演，實現了茅尾海大欖江入海河口池塘養殖污染情況的遙感調查，並將綜合營養指數法應用於水質遙感估算結果中，對研究區域水體富營養化狀態進行評價。得出如下結論。

(1) 通過本文研究和試驗，證明了無人機遙感技術在水質參數反演中的應用可行性，同時驗證了利用5波段的多光譜傳感器獲取的遙感數據能夠滿足部分水質參數的反演要求。利用無人機實時、高時間和空間解析度的優勢，可針對一些池塘養殖等小微水域進行水質參數估測。

(2) 構建的5種水質參數敏感波段為：葉綠素a濃度為B1、B5波段的歸一化指數，化學需氧量濃度為B3、B4波段的差異指數，懸浮物濃度為B4波段，總氮濃度為B5波段；總磷濃度為B1、B2波段的差異指數。在構建的水質參數反演模型中，基於二次項式模型能夠更好地估算水質參數濃度。

(3) 池塘養殖區域的水體富營養化程度較高，水質狀況大都屬於中度富營養狀態以上，且近岸水體富營養化程度大多低於遠岸。受池塘養殖污染影響，大欖江的部分水域出現了輕度營養化的狀態，且下游富營養化程度高於上游。

本文重點關注入海河口池塘養殖對於水環境的影響，通過建立水質參數反演算法，結合富營養化評價模型，對研究區水體富營養化狀況進行監測與評價，研究結果可為茅尾海生態環境保護提供基礎支撐，也可為入海河口水污染防治與管理提供科學依據。

作者簡介

作者簡介：胡義強(1990—),男,碩士,工程師,主要從事生態環境遙感研究。E-mail:hyiqiang@gdas.ac.cn

通信作者： 楊驥。E-mail:yangji@gdas.ac.cn

初審：紀銀曉

覆審：宋啟凡

終審：金 君

資訊