王經(jīng)順，陳 瑩，張 悅，徐向凱，何 超，何 苗

（江蘇省環(huán)保集團(tuán)有限公司，江蘇省生態(tài)環(huán)境監(jiān)測監(jiān)控有限公司 江蘇南京 210005）

0 引 言

大浦河、大浦副河位于連云港市主城區(qū)，河道沿線存在不少排污口，部分河段岸坡堆有生活和建筑垃圾，或種滿農(nóng)作物。各種污染物質(zhì)隨日常排水和降雨匯流進(jìn)入河道，經(jīng)過水中顆粒物的吸附、絮凝、沉淀、生物吸收等各種方式最終沉積到河道底泥中并不斷積累。相比于水中，底泥中的重金屬、氮、磷、有機(jī)物等污染物的濃度通常會(huì)高出幾個(gè)數(shù)量級。在長期的積累中，底泥中的污染物不斷聚集沉積會(huì)對水質(zhì)產(chǎn)生持久影響，同時(shí)，底泥也會(huì)與水體之間進(jìn)行物質(zhì)和能量交換，二者之間會(huì)保持一種釋放與吸附的動(dòng)態(tài)平衡［1］。大浦河、大浦副河換水后，污染物質(zhì)重新釋放到水中，會(huì)產(chǎn)生“二次污染”，進(jìn)而導(dǎo)致水質(zhì)變差。

針對上述大浦河、大浦副河河段的環(huán)境污染問題，了解掌握其水質(zhì)現(xiàn)狀、污染來源情況與受各種污染源影響情況，制定水資源保護(hù)相關(guān)標(biāo)準(zhǔn)、規(guī)劃和法規(guī)，為水環(huán)境保護(hù)相關(guān)工作提供數(shù)據(jù)及資料支撐，同時(shí)也為污染源管理提供依據(jù)。本研究對大浦河及部分支流進(jìn)行水質(zhì)監(jiān)測，并利用機(jī)器學(xué)習(xí)方法對監(jiān)測數(shù)據(jù)進(jìn)行遙感反演，最后分析大浦河流域水質(zhì)分布特征。

1 研究區(qū)域與數(shù)據(jù)

1.1 研究區(qū)域

連云港市地處淮河流域的沂沭泗水系，全市共有82條骨干河道，其中區(qū)域性骨干河道18條，流域性河道4條，屬于河網(wǎng)地區(qū)，也是著名的“洪水走廊”。連云港市境內(nèi)可分為三大水系，即沭河水系、沂河水系和濱海諸小河水系。鹽河、淮沭新河貫穿南北，使得沂河、沭河水系的河流相互貫通［2］。

大浦河排水片為連云港市區(qū)八大排水片之一，范圍為獅樹套閘以北，新沭河右堤以南，西至薔薇河、東站引河，東至云臺(tái)山西麓。排水片內(nèi)有大浦河、龍尾河、玉帶河、東鹽河、大浦副河、西鹽河等河道，與薔薇河、臨洪河等相通，現(xiàn)已設(shè)泵和閘控制，水面率約為3.7%。大浦河排水片內(nèi)的澇水主要由大浦閘排入新沭河，當(dāng)新沭河行洪水位較高、大浦閘失去自排能力時(shí)，啟動(dòng)大浦抽水站抽排澇水；另外，還有一部分澇水由猴嘴閘分泄至大浦河調(diào)尾工程入海。大浦河上設(shè)鹽河橋、大浦閘考核斷面，鹽河橋位于西鹽河上，大浦閘斷面位于大浦河上。

本次研究目標(biāo)河段為大浦河及部分支流，北起大浦閘，南至玉帶河，目標(biāo)河段總長度為13.6 km，其中主河段總長度為10.7 km。任務(wù)河段超過半程位于連云港市區(qū)，河道兩側(cè)為居民小區(qū)、商業(yè)建筑等樓層較高的建筑。

1.2 研究數(shù)據(jù)

1.2.1 現(xiàn)場實(shí)測數(shù)據(jù)

本研究于2021年9月在連云港大浦河流域開展現(xiàn)場實(shí)測數(shù)據(jù)采集工作，現(xiàn)場點(diǎn)位如表1所示，每個(gè)采樣定位均在表層0.5 m處采集水質(zhì)參數(shù)數(shù)據(jù)，主要括總磷（TP）、氨氮（NH4+-N）及高錳酸鹽指數(shù)（CODMn）。所有水質(zhì)指標(biāo)的檢測均參照《水和廢水監(jiān)測分析方法（第4版）》進(jìn)行，其中TP采用鉬酸銨分光光度法（GB/T 11893—1989），NH4+-N采用納氏試劑法（HJ 535—2009），CODMn采用酸性高錳酸鹽指數(shù)法（GB/T 11892—1989）［3］。大浦河采樣點(diǎn)的總磷、氨氮和高錳酸鹽指數(shù)統(tǒng)計(jì)如圖1所示，主要包括每個(gè)參數(shù)的均值、標(biāo)準(zhǔn)差和變異系數(shù)等。

圖1 采樣點(diǎn)水質(zhì)參數(shù)統(tǒng)計(jì)圖Fig.1 Statistical diagram of water quality parameters at sampling points

表1 采樣點(diǎn)位分布Tab.1 Sampling point distribution

1.2.2 無人機(jī)高光譜數(shù)據(jù)

采用大疆經(jīng)緯M600pro在無人機(jī)平臺(tái)上搭載ResononPikaXC2高光譜成像儀獲取大浦河的高光譜影像。ResononPikaXC2光譜范圍為400～1 000 nm，光譜通道數(shù)為450，光譜采樣率約為1.3 nm，空間通道數(shù)為1 500，飛行區(qū)域大小為10×0.1 km2［4］，設(shè)置4條航線，飛行速度控制為7.7 m/s，飛行高度設(shè)置在飛行區(qū)上空400 m處。采集結(jié)束后，對高光譜數(shù)據(jù)進(jìn)行預(yù)處理，主要包括場地校正、黑白幀校正及鏡像變換等［1］，具體參數(shù)見表2。

表2 ResononPikaXC2高光譜成像儀基本參數(shù)表Tab.2 Basic parameters of ResononPikaXC2 hyperspectral imager

2 機(jī)器學(xué)習(xí)算法

2.1 光譜反射比

復(fù)色光（白光）經(jīng)色散系統(tǒng)（如棱鏡、光柵等）分光后會(huì)形成單色光，這些單色光會(huì)按照波長大小自動(dòng)排列，最終形成光譜。光譜技術(shù)的主要特點(diǎn)表現(xiàn)在目標(biāo)的物理和化學(xué)屬性都會(huì)通過光譜信息表現(xiàn)出來，不同的物質(zhì)組分光譜信息也不相同，因此，可以利用光譜識別不同物質(zhì)［5］。

光譜成像技術(shù)結(jié)合了傳統(tǒng)成像與現(xiàn)代光譜儀的優(yōu)點(diǎn)，在獲取地物目標(biāo)的光譜信息基礎(chǔ)上，獲取了地物目標(biāo)的兩維空間影像。光譜成像技術(shù)具備圖像識別和屬性探測能力，使得其在精準(zhǔn)農(nóng)業(yè)、災(zāi)害評估、海岸帶調(diào)查、資源調(diào)查、污染監(jiān)測、城市規(guī)劃、軍事偵察等領(lǐng)域有著廣泛的應(yīng)用［6］。

對水體而言，水的光譜特征受多方面的影響：一方面，水體本身的物質(zhì)含量不同，導(dǎo)致光譜特征也會(huì)不同；另一方面，不同的水體狀態(tài)也會(huì)影響它的光譜特征。在可見光波段0.6 μm之前，水的主要特征為吸收少、反射率低，約為5%，并隨著太陽高度角的變化而變化；水體可見光反射主要由水中懸浮物質(zhì)（葉綠素、泥沙、浮游生物或其他物質(zhì)）、水體底部物質(zhì)反射及水表面反射三部分組成［7］。

清水的反射率比在藍(lán)-綠光波段為4%～5%，在紅光波段（0.6 μm以下）會(huì)降到2%～3%，在近紅外、短波紅外能量幾乎被全部吸收，反射比趨于0［8］。因此，水體在近紅外及短波紅外波段的反射能量很小。在本研究中，使用無人機(jī)掛載高光譜成像儀進(jìn)行空中采集時(shí)，成像儀指向水面，采集得到的光譜信息來自太陽光入射水面后經(jīng)過水體及水中物質(zhì)吸收、散射等作用最終射出水面后的光線。由于缺少水體入射光的光譜信息，無法直接得到水體光譜反射比，因此，需要在航飛采集的同時(shí)在成像區(qū)域內(nèi)設(shè)置標(biāo)準(zhǔn)灰布，通過灰布進(jìn)行輻射校正，最終得到準(zhǔn)確的光譜反射比信息。

標(biāo)準(zhǔn)灰布由特殊材料制成，如圖2所示，在光譜測量中各向同性，光譜反射比全波段相等且確定已知，在采集過程中，同時(shí)采集灰布表面的光譜亮度信息，使用已知的灰布光譜反射參數(shù)進(jìn)行校正即可反算得到當(dāng)時(shí)光線條件下地面附近天空入射光的光譜信息［9］，再與成像范圍內(nèi)水面光譜亮度信息結(jié)合，最終可以計(jì)算得到準(zhǔn)確的水體光譜反射比信息。

圖2 影像中的灰布Fig.2 Gray cloth in image

2.2 MLP模型

近年來，基于豐富的光譜信息和多元的數(shù)據(jù)處理方法，高光譜技術(shù)得到了快速發(fā)展［10-11］。雖然高光譜圖像可以提供豐富的光譜信息，但是其數(shù)據(jù)冗余度高、數(shù)據(jù)量大，導(dǎo)致的多重共線性問題也不可忽視［12］。因此，處理高光譜數(shù)據(jù)的關(guān)鍵是選擇合適的數(shù)學(xué)建模方法，需建立樣本成分和光譜反射率之間的相關(guān)模型［13］。

本研究采用目前得到廣泛應(yīng)用的經(jīng)典機(jī)器學(xué)習(xí)算法——多層感知機(jī)（Multi-LayerPerceptron，MLP）進(jìn)行多光譜反射比數(shù)據(jù)與水體化學(xué)指標(biāo)的建模。MLP在本質(zhì)上是一種反向傳播的標(biāo)準(zhǔn)監(jiān)督學(xué)習(xí)算法，通常被用來擬合復(fù)雜的函數(shù)或解決分類問題［14］。如圖3所示，MLP模型的結(jié)構(gòu)包括3層，分別是第一層輸入層、中間一個(gè)或多個(gè)隱含層、最后一層輸出層。對應(yīng)的每層中分別含有一定數(shù)量的輸入節(jié)點(diǎn)（代表模型中輸入?yún)⒘康膫€(gè)數(shù)）、隱含節(jié)點(diǎn)（代表模型中模型訓(xùn)練的拓?fù)浣Y(jié)構(gòu)）及輸出節(jié)點(diǎn)（代表模型中最終輸出的類別數(shù)）。所有層之間存在完全連接的結(jié)構(gòu)，所有層之間的信息傳輸和信息反饋都通過設(shè)置的非線性激活函數(shù)（fact）、權(quán)重系數(shù)（W）、偏置項(xiàng)（Bias）實(shí)現(xiàn)［15］。MLP模型中接收的總輸入（每個(gè)隱藏節(jié)點(diǎn)輸入總和，如Ai和Mi，i=1、2、…、k，k為節(jié)點(diǎn)個(gè)數(shù)）為TIn，經(jīng)過非線性激活函數(shù)處理后的信號TOut將輸出到下一層的節(jié)點(diǎn)。目前應(yīng)用最為廣泛的MLP模型訓(xùn)練是后向傳播（Back-Propagation）算法，它可以高效計(jì)算連接權(quán)重，并使預(yù)測結(jié)果更加精確。本項(xiàng)目中MLP的建模使用Python中的機(jī)器學(xué)習(xí)庫scikit-learn（https://scikit-learn.org/）完成。

圖3 MLP模型結(jié)構(gòu)示意圖Fig.3 Schematic diagram of MLP model structure

模型回歸效果取決于多個(gè)方面的因素，第一個(gè)是模型的訓(xùn)練算法，第二個(gè)是模型本身的拓?fù)浣Y(jié)構(gòu)。在本項(xiàng)目中，通過大量重復(fù)測試，確定了MLP的最優(yōu)隱含層結(jié)構(gòu)，同時(shí)綜合考慮了模型的收斂性、分類精確度及訓(xùn)練時(shí)長等。訓(xùn)練過程中MLP的超參數(shù)設(shè)定見表3，其他未提及的超參數(shù)均為默認(rèn)設(shè)置。

表3 MLP超參數(shù)設(shè)定Tab.3 MLP hyperparameter setting

2.3 模型評價(jià)指標(biāo)

水質(zhì)參數(shù)預(yù)測模型采用均方根誤差（rootmeansquareerror，RMSE）、平均絕對百分誤差（MAPE）、決定系數(shù)（coefficientofdetermination，R2）和偏差（Bias）對比模型的穩(wěn)定性及精度。其中R2與模型的穩(wěn)定性為正相關(guān)，R2越大，表明該模型越趨近于穩(wěn)定；當(dāng)R2大于0.8時(shí)，表示模型較穩(wěn)定［16］。RMSE與模型的精度為負(fù)相關(guān)，其取值范圍是[0，+∞）。RMSE越小，表示模型精度越高［17］。Bias反映的是水質(zhì)參數(shù)產(chǎn)品與實(shí)測值之間的差異［17］，正偏差表示高光譜數(shù)據(jù)低估了總磷、氨氮和高錳酸鹽指數(shù)的值，負(fù)偏差則表示高光譜數(shù)據(jù)高估了總磷、氨氮及高錳酸鹽指數(shù)的值，計(jì)算公式如下：

其中：n表示樣本數(shù)量分別表示實(shí)測數(shù)據(jù)和模型反演數(shù)據(jù)表示所有實(shí)測數(shù)據(jù)、反演數(shù)據(jù)的平均值。

3 結(jié)果分析

3.1 大浦河流域典型地物光譜特征

選取高光譜無人機(jī)影像上典型地物，包括水體和植被像元的光譜反射率曲線，如圖4所示，其中圖4a列出了500個(gè)水體像元的反射率曲線，圖4b列出了500個(gè)植被像元的反射率曲線?？梢钥闯?，大浦河水體的反射主要集中在400～560 nm藍(lán)綠光波段范圍內(nèi)，此范圍內(nèi)大浦河水體的光譜反射率趨于上升，至560～580 nm附近到達(dá)峰值，這主要是由于藻類和懸浮物的散射作用，以及水體中葉綠素和胡蘿卜素的微弱吸收［7］。大浦河水體反射率曲線會(huì)到580 nm后呈現(xiàn)下降趨勢，由于水體中的葉綠素a在紅光波段具有強(qiáng)吸收的特點(diǎn)，所以會(huì)在680～710 nm處附近形成一個(gè)峰谷［8］；由于水中懸浮物的散射作用，所以大浦河水體會(huì)在790～810 nm范圍內(nèi)形成一個(gè)反射峰［9］。大浦河沿岸植被的反射率光譜特征為：550 nm附近處有一個(gè)峰值，這是由于葉片內(nèi)部葉綠素a、b的作用；同時(shí)，該反射率光譜在450 nm與640～680 nm有2個(gè)強(qiáng)烈的吸收帶，這是葉片內(nèi)部胡蘿卜素與葉黃素的強(qiáng)吸收所致。由于葉片內(nèi)部葉綠素a、b和胡蘿卜素、葉黃素的共同作用，導(dǎo)致葉片表現(xiàn)為綠色。

圖4 水體與植被像元的光譜反射率曲線Fig.4 Spectral reflectance curves of water and vegetation pixels

在上述波段范圍內(nèi)，植被的波譜特征基本上被葉綠素、胡蘿卜素所控制，前者占總吸收量的65%～75%，后者占總吸收量的25%～35%。在700～800 nm有一個(gè)強(qiáng)烈的陡坡，是由于葉片的柵欄組織結(jié)構(gòu)導(dǎo)致的強(qiáng)反射形成的，這是植被特有的光譜特征，被稱為“紅邊”，紅邊的陡峭程度決定了植被葉片的健康程度。800～1 100 nm波段葉片散射作用占據(jù)主導(dǎo)地位，吸收作用基本可以忽略，因此，投入葉片內(nèi)部的光線在葉片內(nèi)部會(huì)被反射和折射數(shù)次，最后通過上表面向上折射形成反射光，通過下表面向下折射形成透射光。這一過程為隨機(jī)過程，透射率和反射率基本相等。綠色植被在800～1 100 nm波段有一個(gè)非常寬且強(qiáng)烈的反射峰，當(dāng)葉片因缺水或病蟲害而枯萎時(shí)，植物細(xì)胞會(huì)發(fā)生萎縮，這意味著折射率差異減小，通過反射率則表現(xiàn)為該波段反射率值顯著下降［19］。

3.2 MLP反演模型精度評估

本次建模采取的是K-Fold交叉驗(yàn)證形式，即將數(shù)據(jù)均等分割為K份，使用其中K-1份數(shù)據(jù)進(jìn)行MLP的訓(xùn)練，剩余1份作為獨(dú)立驗(yàn)證。為了降低模型的復(fù)雜程度，作為輸入的5個(gè)波段反射比數(shù)據(jù)和作為輸出的3項(xiàng)水體化學(xué)指標(biāo)均進(jìn)行了標(biāo)準(zhǔn)化處理，將數(shù)值范圍限制在-1～+1之間。交叉驗(yàn)證結(jié)果表明MLP的隱含層設(shè)為2層各10個(gè)神經(jīng)元為最佳，且各精度指標(biāo)穩(wěn)定，未發(fā)現(xiàn)過擬合問題。最終的精度如圖5所示，其中氨氮和總磷預(yù)測值與實(shí)測值的決定系數(shù)（R2）高于0.8，平均絕對百分比誤差（MAPE）在15%以內(nèi)。高錳酸鹽指數(shù)的R2為0.58，原因?yàn)槠鋽?shù)值范圍較小，但總體預(yù)測效果理想，MAPE僅為2%左右。因此，本項(xiàng)目訓(xùn)練的MLP表現(xiàn)良好。

圖5 水體化學(xué)指標(biāo)的預(yù)測與實(shí)測值對比Fig.5 Comparison of predicted and measured water chemical indexes

3.3 水質(zhì)參數(shù)反演

3.3.1 氨氮濃度

對于氨氮，從反演結(jié)果中可見，任務(wù)區(qū)河段有3處濃度明顯高于河段其他區(qū)域，自南向北分別為西鹽河-玉帶河、人民東路以北和振華西路西側(cè)廠區(qū)。西鹽河-玉帶河岔口位于大浦河最南端，岔口南側(cè)西鹽河內(nèi)氨氮濃度明顯高于北側(cè)大浦河和玉帶河，判斷西鹽河水體氨氮濃度較高，且對大浦河上游產(chǎn)生了一定程度的影響。人民路跨大浦河的橋下有一條東西走向的支流匯入大浦河，根據(jù)反演結(jié)果，交匯處以北河段氨氮濃度明顯高于交匯處以南，判斷該處支流水體氨氮濃度較高，且已對大浦河水質(zhì)產(chǎn)生顯著影響。振華西路西側(cè)有集中的廠房，主要業(yè)務(wù)為家具建材生產(chǎn)加工，廠區(qū)西側(cè)河段氨氮濃度明顯較高，判斷廠區(qū)有工廠偷排廢水，影響了大浦河水質(zhì)。

3.3.2 高錳酸鹽指數(shù)濃度

對于高錳酸鹽指數(shù)，從反演結(jié)果中可見，大浦河段有3處濃度明顯高于河段其他區(qū)域，自南向北分別為西鹽河-玉帶河、人民東路以北和振華西路西側(cè)廠區(qū)。西鹽河-玉帶河岔口位于大浦河最南端，西鹽河和玉帶河內(nèi)高錳酸鹽濃度明顯高于北側(cè)大浦河，判斷西鹽河與玉帶河水體高錳酸鹽指數(shù)濃度較高，且對大浦河上游產(chǎn)生了一定程度的影響。人民路跨大浦河的橋下有一條東西走向的支流匯入大浦河，根據(jù)反演結(jié)果，交匯處以北河段高錳酸鹽濃度明顯高于交匯處以南，判斷該處支流水體高錳酸鹽濃度較高，且已對大浦河水質(zhì)產(chǎn)生顯著影響。振華西路西側(cè)有集中的廠房，主要業(yè)務(wù)為家具建材生產(chǎn)加工，廠區(qū)西側(cè)河段高錳酸鹽濃度明顯較高，判斷廠區(qū)有工廠偷排廢水，影響了大浦河水質(zhì)。

3.3.3 總磷濃度

對于總磷，從反演結(jié)果中可見，大浦河段有2處濃度明顯高于河段其他區(qū)域，自南向北分別為人民東路以北和振華西路西側(cè)廠區(qū)。人民路跨大浦河的橋下有一條東西走向的支流匯入大浦河，根據(jù)反演結(jié)果，交匯處以北河段總磷指數(shù)明顯高于交匯處以南，判斷該處支流水體總磷指數(shù)較高，且已對大浦河水質(zhì)產(chǎn)生顯著影響。振華西路西側(cè)有集中的廠房，主要業(yè)務(wù)為家具建材生產(chǎn)加工，廠區(qū)西側(cè)河段總磷指數(shù)明顯較高，判斷廠區(qū)有工廠偷排廢水，影響了大浦河水質(zhì)。

4 結(jié)論與展望

4.1 結(jié)論

針對污染源現(xiàn)狀進(jìn)行調(diào)查，根據(jù)衛(wèi)星及無人機(jī)反演結(jié)果，選取了3個(gè)污染相對較高的重點(diǎn)區(qū)域進(jìn)行分析，對其中污染源調(diào)查分析結(jié)論如下。

①第一處為大浦閘附近河道，位于大浦河、大浦副河及開泰河交界處，分布有3個(gè)閘口，以及少量排污口和徑流。通過無人機(jī)反演結(jié)果可以看出，該處疑似污染物沿大浦副河和開泰河流入大浦河，大浦河閘南側(cè)水域受到影響。另外，徑流主要存在于農(nóng)田與河道之間，在雨水的沖刷作用下很容易將農(nóng)田中的農(nóng)藥、化肥等化學(xué)物質(zhì)帶入河流，導(dǎo)致河流的富營養(yǎng)化。對比高分辨衛(wèi)星影像，大浦副河及開泰河沿岸設(shè)有大量工廠。

②第二處為振華西路西側(cè)廠區(qū)河道，位于振華西路西側(cè)連云港蘇唐家居有限公司、連云港新磷礦化有限責(zé)任公司附近水域，河道兩側(cè)有少量排污口和徑流。通過無人機(jī)反演結(jié)果可以看出，該處疑似污染物濃度分布較為分散，河道之間均有不同程度的污染物高值存在，主要分布趨勢為從排污口、徑流處向河道內(nèi)側(cè)蔓延。濃度最高的區(qū)域主要分布于人口密集區(qū)及工業(yè)企業(yè)密集區(qū)，可能是城鎮(zhèn)生活污水和工業(yè)企業(yè)污水排放所致。

③第三處為玉帶河、大浦河和東鹽河岔口附近河道，該處發(fā)現(xiàn)有2個(gè)閘口和少量徑流、排污口。從影像高濃度懸浮物擴(kuò)散軌跡分析來看，該處疑似污染物沿玉帶河、東鹽河流入大浦河。閘壩關(guān)閉時(shí)，兩側(cè)的水質(zhì)失去連續(xù)性，玉帶河及東鹽河疑似污染物濃度較高。結(jié)合高分辨率影像可以看出，該處為人口密集區(qū)，可能為城市生活污水排放所致。

4.2 展望

目前，利用無人機(jī)遙感對水域的水質(zhì)要素反演已經(jīng)被廣泛應(yīng)用［11］，然而由于絕大部分采用的是多光譜傳感器，其波段通常僅藍(lán)光、綠光、紅光及近紅外4個(gè)波段，只能很好地反演光敏參數(shù)（葉綠素、濁度、TSS等），在反演非光敏參數(shù)（NH4+-N、CODMn、TN、TP等）方面存在很大的局限性［12］。本研究基于無人機(jī)多光譜遙感技術(shù)，利用搭載的高光譜傳感器獲取了大浦河流域影像數(shù)據(jù)，對于大浦河水質(zhì)進(jìn)行監(jiān)測，取得了較好的反演效果，為分析污染源情況與水環(huán)境問題提供了技術(shù)支持。

無人機(jī)高光譜技術(shù)波段連續(xù)性強(qiáng)，光譜分辨率高，可以獲取更全面的光譜信息與二維信息，因而可以用來定量反演水質(zhì)指標(biāo)。但是受光譜測量中不可避免的某些人為因素及一些自然因素的干擾，需要對光譜數(shù)據(jù)進(jìn)行不同方式的轉(zhuǎn)換，以降低信息冗余度及重疊度；同時(shí)，需減小背景噪聲和系統(tǒng)誤差的影響，改善水質(zhì)參數(shù)和光譜數(shù)據(jù)之間的相關(guān)性，進(jìn)一步增強(qiáng)信噪比，提高模型的預(yù)測精度［13］。

本研究采用目前已得到廣泛應(yīng)用的經(jīng)典機(jī)器學(xué)習(xí)算法MLP進(jìn)行多光譜反射比數(shù)據(jù)與水體化學(xué)指標(biāo)的建模。在綜合考慮模型的分類精度、收斂性及訓(xùn)練時(shí)長的情況下，通過大量重復(fù)實(shí)驗(yàn)，確定了MLP的最優(yōu)隱含層結(jié)構(gòu)。最終在K-Fold交叉驗(yàn)證下，氨氮和總磷預(yù)測值與實(shí)測值的決定系數(shù)（R2）高于0.8，平均絕對百分比誤差（MAPE）在15%以內(nèi)。高錳酸鹽指數(shù)的R2為0.58，原因?yàn)槠鋽?shù)值范圍較小，但總體預(yù)測效果理想，MAPE僅為2%左右。因此，本項(xiàng)目訓(xùn)練的MLP表現(xiàn)良好。

目前，利用遙感技術(shù)反演水質(zhì)要素濃度還沒有統(tǒng)一的標(biāo)準(zhǔn)模型，不同的水體類型、不同的無人機(jī)飛行速度、不同的研究區(qū)域、不同的地理位置、不同的季節(jié)、使用不同的多光譜傳感器及不同的水質(zhì)樣本檢測儀器和方法等都會(huì)導(dǎo)致光譜反射率信息的差異［14］。本研究由于受到技術(shù)、天氣、設(shè)備、時(shí)間等多方面條件的影響，在時(shí)間跨度內(nèi)無法獲得更多的數(shù)據(jù)，得到的反演估算模型只適用于本研究過程及結(jié)果。

此外，目前對低空無人機(jī)水質(zhì)遙感研究還存在諸多不足，盡管高光譜影像光譜分辨率很高，但其信噪比較低，本次研究中也未對高光譜數(shù)據(jù)進(jìn)行除噪，監(jiān)測分析結(jié)果的準(zhǔn)確度受到了一定程度的影響，之后需要進(jìn)一步深入研究。