基于Cubert框幅式高光谱成像仪识别城市水污染源类型

基于无人机高光谱图像的城市水污染源类型遥感识别方法

英文: Remote sensing identification of urban water pollution source types using hyperspectral data

研究单位

南京师范大学

南京水利科学研究院

生态环境部长江流域生态环境监督管理局

摘要

随着城镇化进程的加快，污染物的增多导致城市水质下降，及时识别和控制污染源是有关部门有效开展水体治理与修复的重要手段。为此，建立了适用于无人机高光谱图像的城市水污染源遥感识别方法。首先，通过溶解有机物（DOM）三维激发发射矩阵荧光光谱结合平行因子分析获得7个荧光组分，基于7个荧光组分和3个光谱指数进行层次聚类分析，确定生活污水、陆源、农业及藻类、工业废水4种污染源类型。其次，利用有色DOM在254nm处的吸收系数、腐殖化指数、叶绿素a浓度、色调角等水体色度和光学参数，建立了适用于无人机高光谱数据的城市水污染源遥感识别方法，对4种PS的识别准确率超过70%。该研究展示了将DOM的荧光特性与水体的光学特性相结合识别PS的潜力，从而拓展了遥感技术的应用范围，为城市水质管理提供更全面、可靠的信息。

研究数据

高光谱数据：高光谱数据由Cubert S185机载高速高光谱成像仪获取。该成像仪采用革命性的画幅式高光谱成像技术，能够以更快的速度进行所有光谱通道同步成像，在1/1000秒内获得整个高光谱立方体数据，配套功能强大的测量技术及处理软件，快速获取大面积高光谱图像，影像具有厘米级地理坐标信息。

研究过程

图1 研究区域及采样点分布

图2 机载框幅式高光谱成像系统（a）、净心河（b~c）、龙泰河（d~e）和芳香河（f）

图3 337个样品聚类结果树状图以及每个样品DOM组分和荧光光谱指数分布热图

图4 4种PS类型光谱曲线（a~d）、四个水色参数（e~h）、三个荧光指数（HIX、BIX和FI）和七个PARAFAC组分（C1~C7）（i~r）、OAC的浓度和吸收系数（s~w）和7个典型水质参数（x~ad）的箱线图

图5 HIX与Chl-a浓度（a）和α与Chl-a浓度（b）的散点图、PS识别方法流程图（c）、HIX与αCDOM(254)的关系（d）、αCDOM(254)与Rrs(709)/Rrs(560)的关系（e）、以及Chl-a浓度与(Rrs(665)−1-Rrs(709)−1)×Rrs(754)的关系（f）

图6 估算和实测αCDOM(254)、HIX、Chl-a浓度的散点图

表1 PS识别精度

图7 估算和实测αCDOM(254)（a）、HIX（b）、Chl-a浓度（c）和α（d）之间的散点图

图8 基于无人机高光谱影像的PS识别结果：A、B、C框分别代表净新河、龙泰河、芳香河的水质参数和PS识别结果；带×的黄色圆圈表示现场同步采样（a~f）；a、b、c、d、e、f框代表采样点对应河段的PS识别结果

图9 四种PS的典型荧光EEM和现场照片

研究结论

该研究以337个污染水样的7个PARAFAC荧光组分（C1~C7）和3个典型荧光指数（HIX、BIX和FI）为输入，通过HCA分析获得了4种类型的PS（PS1~PS4）。PS1代表城镇居民的“生活污水”来源；PS2被确定为“陆地输入”来源，其DOM主要来源于森林溪流和湿地；PS3被归因于“农业和藻类”来源；其DOM主要来源于非点源农业投入和藻类贡献；PS4被解释为“工业废水”来源，接收了工厂排放的大量有机污染物。

综合分析这四种PS的生物光学特性，发展了适用于无人机高光谱影像的PS类型遥感识别算法。首先，通过HIX与αCDOM(254)的线性关系估计HIX，并基于HIX的两个阈值区分PS2和PS4水体。其次，以α和叶绿素a浓度为阈值区分PS1和PS3水体，其中叶绿素a浓度采用典型的三波段模型计算。该算法在独立验证数据集和影像-地面同步采样点均表现出良好的RA（>70%）。此外，将该算法应用于南京三条典型河流河段的无人机高光谱影像，结果与公众认知相符。

原文链接：https://doi.org/10.1016/j.jhazmat.2023.132080