馬玉榮，柯美如

(1.鄭州大學(xué) 水利與交通學(xué)院，河南 鄭州 450001；2.鄭州大學(xué) 圖書館，河南 鄭州 450001)

0 引言

生活與工業(yè)廢水排放尤其是NH3-N污染物激增,導(dǎo)致了水體發(fā)黑發(fā)臭和富營養(yǎng)化,嚴(yán)重破壞了河道的生態(tài)系統(tǒng),影響城市居民的生活和健康。傳統(tǒng)的NH3-N人工監(jiān)測方法工作量大、費(fèi)時費(fèi)力,難以實(shí)現(xiàn)大規(guī)模、多時段檢測,而遙感技術(shù)的快速發(fā)展,為河流大范圍水質(zhì)監(jiān)測提供了技術(shù)支持。利用遙感影像監(jiān)測水體NH3-N濃度的基本原理是基于對水體中不同濃度NH3-N的光譜特征進(jìn)行分析,選取高相關(guān)性波段建立反演模型。龔紹綺等[1]通過實(shí)驗(yàn)室NH3-N溶液光譜分析得出氮在404、477 nm波長處相關(guān)性最高,對應(yīng)波長的單波段反演模型的擬合度確定系數(shù)(R2)分別為0.976和0.947。段洪濤等[2]利用光譜儀對南湖總氮進(jìn)行實(shí)驗(yàn),發(fā)現(xiàn)最大相關(guān)性出現(xiàn)在443 nm處,反演模型R2為0.75。徐良將等[3]利用太湖區(qū)域的高光譜數(shù)據(jù),用波段比值對水中氨氮濃度進(jìn)行反演,結(jié)果得到波段比值1 015 nm/528 nm與總氮濃度相關(guān)性最高為0.803,R2為0.839,這些相關(guān)研究為利用遙感影像監(jiān)測水中氨氮提供了一定依據(jù)。

目前,遙感水質(zhì)監(jiān)測的衛(wèi)星數(shù)據(jù)有MODIS、MERIS[4]、TM/ETM+、Landsat-8 OLI[5-6]、HJ-1 CCD、GF-1[7]、Sentinel-2[8]等,內(nèi)陸水體NH3-N監(jiān)測常用的遙感數(shù)據(jù)有Landsat-7 ETM+、Lamdsat-8[9-10]、SPOT 5[11]等。Landsat-8影像質(zhì)量優(yōu)于之前Landsat系列,空間分辨率為30 m,回訪周期為16 d,是目前水質(zhì)監(jiān)測的重要數(shù)據(jù)源。而MODIS衛(wèi)星回訪周期為1 d,具有高時間分辨率,但空間分辨率較低,250 m (1～2波段)、500 m (3～7波段)、1 000 m (8～36波段)。Landsat和MODIS影像獲取便利,且歷史影像豐富,因此Landsat系列被廣泛用于內(nèi)陸水體水質(zhì)監(jiān)測,MODIS則多用于海洋監(jiān)測。

由于大氣條件和重訪周期的影響,滿足定量反演云量要求的中高分辨率衛(wèi)星時間間隔過大,難以有效獲取河道水體污染物濃度的動態(tài)變化趨勢;MODIS等多光譜衛(wèi)星時間分辨率雖高,但其空間分辨率較低,難以識別較窄的內(nèi)陸河道。如何能既準(zhǔn)確獲取內(nèi)陸河道信息,又提高反演的時間頻率、加強(qiáng)水質(zhì)污染物的動態(tài)監(jiān)測,是亟待解決的問題。因此,開展多光譜和高空間分辨率影像的融合模型研究,可提高影像的空間分辨率和時間分辨率,為進(jìn)一步準(zhǔn)確、動態(tài)反演內(nèi)陸河道水體的NH3-N濃度提供了保障。

現(xiàn)有時空融合算法根據(jù)計(jì)算原理的不同分為5類:基于解混的方法、基于權(quán)重函數(shù)的方法、基于貝葉斯原理的方法、基于學(xué)習(xí)的方法和混合型方法?；诮饣斓姆椒ㄖ饕蠸TDFA(Spatial Temporal Data Fusion Approach)[12],其解混誤差較大,且缺乏地物的類內(nèi)變化?；跈?quán)重函數(shù)的方法如STARFM(Spatial and Temporal Adaptive Reflectance Fusion Model)[13],利用圖像信息進(jìn)行權(quán)重分配來估計(jì)高分辨像素值,對異質(zhì)變化無效,且權(quán)重函數(shù)基于經(jīng)驗(yàn)獲得,缺乏遷移性?；谪惾~斯估計(jì)理論的方法[14]自定義輸入圖像和融合圖像間的關(guān)系,但函數(shù)確立過程復(fù)雜且異質(zhì)表現(xiàn)一般?；趯W(xué)習(xí)的方法使用機(jī)器學(xué)習(xí)建模高分辨率和低分辨率影像之間的映射關(guān)系,從而預(yù)測融合圖像,例如Huang等[15]提出的SPSTFM (Sparse Representation Based Spatio-Temporal Reflectance Fusion Model),其融合結(jié)果雖有提升,但學(xué)習(xí)成本較高、遷移性差,且缺乏光譜原理性支撐。混合型方法整合前4類中2種或多種方法,如王宇恒等[16]將PanSharpening和時空融合進(jìn)行結(jié)合,以獲取時、空、譜互補(bǔ)信息。Zhu等[17]提出的FSDAF(Flexible Spatio-Temporal Data Fusion),將解混、加權(quán)函數(shù)和空間插值方法結(jié)合,減少了圖像的輸入量,對異質(zhì)變化的預(yù)測有所增強(qiáng),但表現(xiàn)仍不理想,不能滿足于更高精度的變化監(jiān)測?；诖?提出了改進(jìn)的時空數(shù)據(jù)融合(SR-FSDAF)模型。利用SR-FSDAF提高監(jiān)測的頻次和中低分辨率圖像的利用率,生成高頻融合圖像,并應(yīng)用于信陽市水質(zhì)NH3-N濃度監(jiān)測,對淮河流域信陽段內(nèi)的內(nèi)陸河道進(jìn)行NH3-N濃度的反演與時空分布變化分析。

1 時空融合模型SR-FSDAF

FSDAF由Zhu等[17]于2016年提出,該方法對地物進(jìn)行分類,利用不同類型地物在MODIS上體現(xiàn)出的變化,粗略得到每類地物的時間變化值,對預(yù)測日期的MODIS影像進(jìn)行薄板樣條采樣(TPS),得到粗略的地物空間變化值。TPS基于空間上相關(guān)性對數(shù)據(jù)進(jìn)行差值重采樣,能保留圖像的局部變化信息。將2種變化值利用鄰域信息賦予不同權(quán)重,減少預(yù)測結(jié)果的偏差,具有更強(qiáng)的穩(wěn)定性和空間連續(xù)性。但FSDAF對于空間突變的預(yù)測表現(xiàn)相對無突變情況仍然下降較多?；贔SDAF的思想,對空間突變預(yù)測的主要信息源MODIS影像,使用高效亞像素卷積神經(jīng)網(wǎng)絡(luò)(Efficient Sub-Pixel Convolutional Neural Network, ESPCN)替代TPS,保留更多的紋理信息,從而提高算法對于空間異質(zhì)變化的預(yù)測精度。

1.1 時空融合模型SR-FSDAF構(gòu)建

基于超分辨率和靈活時空數(shù)據(jù)融合模型的SR-FSDAF分為6個步驟:基于無監(jiān)督分類的MODIS像元純度計(jì)算、像元時間變化粗估計(jì)、時間變化殘差計(jì)算、基于ESPCN的超分辨率空間變化預(yù)測圖像重構(gòu)、殘差分布計(jì)算以及基于鄰域信息的增強(qiáng)和融合。為方便描述,將高空間、低時間分辨率的Landsat圖像表述為“細(xì)分辨率圖像”,將高時間、低空間分辨率圖像MODIS表述為“粗分辨率圖像”,使用t1時刻的Landsat和MODIS影像及t2時刻的MODIS影像預(yù)測t2時刻的Landsat影像。算法流程如圖1所示,模型的變量及定義如下:

m——一個MODIS像元內(nèi)對應(yīng)的Landsat-8影像的像元數(shù);

(xi,yi)——第i個MODIS像元的下標(biāo);

i——MODIS的像元下標(biāo);

j——在一個MODIS像元中的Landsat-8像元的下標(biāo)(j=1,2,…,m);

M1(xi,yi,b),M2(xi,yi,b)——在t1和t2時刻MODIS(xi,yi)位置上第b波段的值;

L1(xij,yij,b),L2(xij,yij,b)——在t1和t2時刻MODIS(xi,yi)位置上第j個Landsat-8像元在第b波段的值;

Pc(xi,yi)——第i個MODIS像元中第c類Landsat-8像元所占的比例;

ΔM(xi,yi,b)——第i個MODIS像元在第b波段上t1—t2時刻的變化;

ΔF(c,b)——Landsat-8影像c類地物第b個波段t1-t2時刻的變化,c為水體、農(nóng)田、建筑物和林地其中之一。

圖1 SR-FSDAF模型算法流程Fig.1 Flowchart of SR-FSDAF algorithm

(1)基于無監(jiān)督分類MODIS像元純度計(jì)算

MODIS影像的空間分辨率為500 m,Landsat影像空間分辨率為30 m。經(jīng)過圖像配準(zhǔn),一個MODIS像元大約與16個Landsat像元覆蓋面積相同,基于此對應(yīng)關(guān)系,對t1時刻的Landsat圖像進(jìn)行K-means地物分類,將分類數(shù)設(shè)置為水體、農(nóng)田、建筑物和林地4類。通過Landsat像元分屬哪幾類及各類占比Pc(xi,yi),c=1,2,3,4表示分類之一。

(2)像元時間變化粗估計(jì)

基于式(1)計(jì)算MODISt1～t2影像反射率變化。

ΔM(xi,yi,b)=Mt2(xi,yi,b)-Mt1(xi,yi,b)。

(1)

根據(jù)光譜解混原理[18],ΔM可被表示為式(2),用最小二乘反向求解式(2)可得到ΔF(c,b)。

(2)

(3)時間變化殘差計(jì)算

(3)

如果2個時刻之間地物發(fā)生了光譜信息的變化,所造成的偏差定義為R(xi,yi,b),計(jì)算見式(4),其中n=16。

R(xi,yi,b)=ΔM(xi,yi,b)-

(4)

(4)基于ESPCN超分辨率空間變化預(yù)測圖像重構(gòu)

ESPCN是對低分辨率圖像卷積的高效超分算法,其通過學(xué)習(xí)低分辨率影像和高分辨率影像之間的特征映射,恢復(fù)空間特征信息。ESPCN的輸入為裁剪并重采樣至與高分辨率圖像大小一致的低分辨率圖像和高分辨率圖像的圖像對數(shù)據(jù)集。ESPCN將卷積神經(jīng)網(wǎng)絡(luò)直接應(yīng)用于低分辨率圖像,利用亞像素卷積將低分辨率特征映射放大。3次卷積后,得到通道數(shù)為r2的與輸入圖像大小一樣的特征圖,再將特征圖像重排列為rH×rW×1的高分辨率圖像,具體網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)置參照文獻(xiàn)[19]。

(5)

(5)殘差分布計(jì)算

將殘差R(xi,yi,b)和殘差ESR(xij,yij,b)結(jié)合,使用4×4移動窗口計(jì)算與中心細(xì)分辨率像元地物類別一致的像元數(shù)和窗口內(nèi)像元總數(shù)的比值I(xij,yij)作為同質(zhì)性指標(biāo)。計(jì)算見式(6),其中(xij,yij)為中心像元,當(dāng)窗口內(nèi)像元類別一致時,Ik的值為1,否則為0。

(6)

計(jì)算2個預(yù)測結(jié)果之間的差值,為殘差的差異值ESR-TP(xij,yij,b):

(7)

依據(jù)同質(zhì)性指標(biāo)I(xij,yij)對預(yù)測的細(xì)分辨率影像的殘差分布進(jìn)行權(quán)重分配,得到權(quán)重分布Ew(xij,yij,b),見式(8)。將Ew進(jìn)行歸一化得到歸一化殘差分布W(xij,yij,b),見式(9)。t2時刻的預(yù)測細(xì)分辨率像元的殘差EL(xij,yij,b),見式(10)。

Ew(xij,yij,b)=ESR-TP(xij,yij,b)×I(xij,yij)+

R(xi,yi,b)×[1-I(xij,yij)],

(8)

(9)

EL(xij,yij,b)=n×R(xi,yi,b)×W(xij,yij,b)。

(10)

t1～t2的細(xì)分辨率像元在波段b的像素變化值ΔL(xij,yij,b)計(jì)算如下:

ΔL(xij,yij,b)=EL(xij,yij,b)+ΔF(c,b)。

(11)

(6)基于鄰域信息的增強(qiáng)和融合

使用鄰域信息增加預(yù)測穩(wěn)定性,減少移動窗口的區(qū)塊效應(yīng)。對于在t1時刻細(xì)分辨率圖像像元(xij,yij),選取n個同類且與像元在其鄰域內(nèi)光譜差最小的細(xì)像元。第k個細(xì)像元與像元的光譜差為Sk,計(jì)算如下:

(12)

相似像元對中心像元的貢獻(xiàn)權(quán)重Dk與距離呈負(fù)相關(guān),距離越遠(yuǎn),貢獻(xiàn)值越少,計(jì)算方法見式(13)。歸一化處理后,權(quán)重wk的計(jì)算方法見式(14):

(13)

(14)

(15)

1.2 模型評價指標(biāo)

為了比較融合效果的精度和優(yōu)劣,使用STARFM、FSDAF和SRCNN嵌入FSDAF三種算法作為對比融合模型,分別定性和定量對結(jié)果進(jìn)行分析。定性評價方法通過視覺比較將t2時刻模型融合結(jié)果和真實(shí)Landsat圖像進(jìn)行對比,得到局部細(xì)節(jié)的模擬真實(shí)程度和整體的色彩差異性是否過大。定量評價方法使用3類評價指標(biāo),分別從融合圖像的結(jié)構(gòu)整體相似性、反射率還原度和光譜保真度進(jìn)行綜合評價。

結(jié)構(gòu)整體相似性指標(biāo)為結(jié)構(gòu)相似度(SSIM),被廣泛用于評估2張相似圖像的線性關(guān)系強(qiáng)度,計(jì)算如下:

(16)

式中:μx、μy是t2時刻Landsat真實(shí)圖像和融合的細(xì)分辨率圖像的平均值,σx、σy是二者的圖像方差,C1、C2是用于保證指標(biāo)計(jì)算結(jié)果的有理性的非零常數(shù)。2幅圖像的整體結(jié)構(gòu)越相似,SSIM的值就越接近1。

反射率還原程度的評價指標(biāo)為均方根誤差(RMSE),其反映像素值的還原程度和細(xì)節(jié)信息的模擬融合結(jié)果,計(jì)算如下:

(17)

式中:x(i,j)為真實(shí)圖像,y(i,j)為融合圖像。

光譜保真程度使用的評價指標(biāo)為光譜角(SAM),其將單像素的光譜視為高維向量,計(jì)算2幅圖像同一位置像素的光譜向量的向量夾角,夾角越小,像素之間的光譜越相似。具體的夾角計(jì)算如下:

(18)

2 NH3-N遙感反演模型

2.1 反演模型

特征波段的準(zhǔn)確選擇是獲得高反演精度的基礎(chǔ)。利用水質(zhì)參數(shù)NH3-N的實(shí)測數(shù)據(jù)計(jì)算和波段組合的相關(guān)系數(shù),并選擇相關(guān)性高的波段或波段組合作為建模參數(shù)。

傳統(tǒng)的統(tǒng)計(jì)回歸模型(TSR)已廣泛用于水質(zhì)參數(shù)反演,采用一次擬合、二次擬合、對數(shù)擬合和指數(shù)擬合4類回歸函數(shù)來構(gòu)建反演模型,通過對比分析,選擇精度最高的一種模型作為后續(xù)反演的模型。

2.2 評價指標(biāo)

反演模型的準(zhǔn)確性通過R2、平均絕對百分比誤差(MAPE)和RMSE進(jìn)行評估。MAPE計(jì)算如下:

(19)

式中:x為實(shí)測數(shù)據(jù),y為反演模型的估計(jì)值,n為檢驗(yàn)的數(shù)據(jù)數(shù)量。

3 研究區(qū)域與數(shù)據(jù)

3.1 研究區(qū)域

信陽市(113°45′E～115°55′E,30°23′N～32°27′N)地處河南省南部,面積18 916 km2,地形南高北低,丘陵平原相間,屬于亞熱帶和溫帶季風(fēng)氣候過渡帶以及濕潤和半濕潤地區(qū)過渡帶,四季分明,雨熱同期。信陽市位于淮河流域,區(qū)域內(nèi)主要支流有浉河、潢河、灌河和史河等。

3.2 實(shí)驗(yàn)數(shù)據(jù)

(1)遙感影像數(shù)據(jù)

Landsat-8空間分辨率為30 m,回訪周期為16 d。MODIS空間分辨率為500 m,回訪周期為1 d。MODIS和Landsat具有明顯的時間分辨率與空間分辨率差異,且部分光譜波段重合度高,是時空融合算法常用的融合數(shù)據(jù)源,使用MODIS和Landsat OLI影像進(jìn)行實(shí)驗(yàn)。

時空融合模型的實(shí)驗(yàn)數(shù)據(jù)為信陽市2017年11月8日及11月24日的Landsat圖像與MODIS圖像對,期間圖像沒有發(fā)生異質(zhì)突變。NH3-N反演的遙感數(shù)據(jù)選取云量少于10%且已做過大氣校正的Landsat-8 OLI和MODIS日地表反射率數(shù)據(jù),影像波段等具體信息如表1和表2所示。

表1 Landsat影像信息

表2 MODIS影像信息

對所選取的Landsat-8 OLI和MODIS數(shù)據(jù)進(jìn)行預(yù)處理,并將MODIS重投影和重采樣至480 m,以便于與空間分辨率為30 m的Landsat影像像素進(jìn)行匹配和計(jì)算。

(2)水質(zhì)監(jiān)測數(shù)據(jù)

實(shí)測數(shù)據(jù)使用2016年9—12月以及2017年2月的信陽區(qū)域內(nèi)信陽市水利局設(shè)置的監(jiān)測站點(diǎn)的實(shí)測數(shù)據(jù)資料,共計(jì)773組數(shù)據(jù)。選取43個監(jiān)測站點(diǎn)的數(shù)據(jù)進(jìn)行實(shí)驗(yàn),站點(diǎn)覆蓋信陽市境內(nèi)淮河主要干支流。

4 實(shí)驗(yàn)結(jié)果

4.1 不同時空融合模型融合及其對比

將同一時刻的Landsat圖像和MODIS圖像裁剪至16∶1的大小,將Landsat的B2、B3、B4、B5、B6、B7和MODIS的B3、B4、B1、B2、B6、B7波段按照順序合成新的多光譜圖像,并輸入SR-FSDAF模型,得到預(yù)測日期的融合圖像,融合結(jié)果如圖2所示?？梢钥闯?SR-FSDAF的局部區(qū)域的細(xì)節(jié)地物捕捉和保留能力更好。

圖2 圖像融合結(jié)果對比Fig.2 Comparison of image fusion results

SR-FSDAF、STRAFM、SRCNN嵌入模型和FSDAF四種融合方法的RMSE、SSIM、SAM的具體值如表3所示,每個波段的最好融合結(jié)果值都采用加粗下劃線進(jìn)行突出。分析可知:

(1)光譜保真程度評價指標(biāo)SAM為圖像像素的向量夾角,光譜角越小,像素之間的光譜越相似,圖像保真度越高。SR-FSDAF的SAM得到了最優(yōu)值3.417,說明有著相對最高的光譜保真度。

(2)在Band1上,FSDAF模型的反射率還原程度指標(biāo)RMSE最小為0.004 5,SSIM也最小為0.982,獲得了較好的融合效果。而在Band2～4、Band7上,SR-FADAF模型的RMSE和SSIM獲得相對較好的值,和最優(yōu)值接近。

綜合考慮3個指標(biāo),SR-FSDAF模型融合影像精度最高,局部區(qū)域細(xì)節(jié)地物捕捉和保留能力更好,計(jì)算結(jié)果更優(yōu)。

表3 圖像融合精度對比

4.2 基于融合圖像的反演

利用信陽市水文局2016年12月5日與2017年1月1日對信陽市重點(diǎn)水功能區(qū)布設(shè)的43個采樣斷面采集到的86組水樣數(shù)據(jù),隨機(jī)抽取其中62組作為模型訓(xùn)練集用于模型的構(gòu)建,結(jié)合2016年12月7日及2016年12月30日的Landsat與MODIS影像生成的融合影像,分析不同波段和波段組合運(yùn)算值與NH3-N濃度值之間的Pearson相關(guān)系數(shù)。共對28個波段的計(jì)算值進(jìn)行了相關(guān)性分析,并對相關(guān)波段進(jìn)行了不同組合,具體如表4所示。

表4 融合影像和Landsat-8 OLI影像波段組合相關(guān)性對比Tab.4 Correlation of different band combinations of fused image and Landsat-8 OLI image

28個波段模型中波段組合(R-G)/(R+G)的r值最高為0.805,且為p<0.01,為顯著相關(guān)。因此最終使用波段組合(R-G)/(R+G)作為NH3-N濃度反演模型的x值。

本文以常見的一次函數(shù)、二次函數(shù)、指數(shù)函數(shù)和對數(shù)函數(shù)4種統(tǒng)計(jì)模型作為擬合函數(shù)進(jìn)行反演模型構(gòu)建,擬合結(jié)果如圖3～圖6所示。

圖3 一次函數(shù)擬合結(jié)果Fig.3 Linear function fitting results

圖4 二次函數(shù)擬合結(jié)果Fig.4 Quadratic function fitting results

圖5 對數(shù)函數(shù)擬合結(jié)果Fig.5 Logarithmic function fitting results

圖6 指數(shù)函數(shù)擬合結(jié)果Fig.6 Exponential function fitting results

從圖中可以看出,二次函數(shù)模型不論在濃度高值區(qū)還是低值區(qū)實(shí)際值和函數(shù)值擬合度高,整體效果最好,將其作為最終的NH3-N的反演模型,R2為0.664:

(20)

式中:y為NH3-N的估計(jì)濃度值。

為驗(yàn)證反演模型在信陽淮河流域的適用性,使用未參與擬合的另外24組實(shí)測站點(diǎn)的數(shù)據(jù)與反演模型的結(jié)果進(jìn)行對比驗(yàn)證,利用MAPE與RMSE進(jìn)行定量精度評定,總體二次回歸的NH3-N的濃度反演模型的平均相對誤差為12.37%,RMSE計(jì)算結(jié)果為0.065 6,滿足反演需要的精度要求,以此為基礎(chǔ)可展開較為可靠的進(jìn)一步研究。實(shí)測數(shù)據(jù)和模型預(yù)測數(shù)據(jù)具體如表5所示。

表5 實(shí)測數(shù)據(jù)與模型預(yù)測結(jié)果對比Tab.5 Comparison between measured data and model prediction results

4.3 不同時期NH3-N濃度整體水平

根據(jù)相關(guān)調(diào)查資料[20],淮河水系每年的7—8月為豐水期,每年12月—次年2月為枯水期,其他月份為平水期。

不同時期(由于豐水期影響,將3—6月和9—11月看作平水期的2個不同階段進(jìn)行分析,分別表述為平水期Ⅰ和平水期Ⅱ)的水體NH3-N濃度類別占比變化如圖7所示。可以看出,整體上2017年NH3-N濃度呈現(xiàn)略微下降趨勢,并具有明顯的季節(jié)特征。枯水期、平水期Ⅰ、豐水期和平水期Ⅱ的NH3-N濃度平均值為0.753、0.706、0.533、0.544 mg/L。整體趨勢為:豐水期<平水期<枯水期。

圖7 不同水期NH3-N濃度水體面積比例Fig.7 Proportion of water area with NH3-N concentration in different water periods

豐水期時期NH3-N濃度對應(yīng)標(biāo)定的6類水的水面積平均占比分別為:13.89%、54.26%、24.6%、9.56%、3.73%、0.31%,水體主要成分為Ⅱ類NH3-N濃度水,水質(zhì)情況相對較好。豐水期的NH3-N濃度相對最低,變化趨勢平緩。

平水期的NH3-N濃度擾動較大,3—6月的平水期前期受枯水期的影響,NH3-N濃度相對較高,9—11月的平水期后期受到豐水期的影響,NH3-N濃度相對較低。

在枯水期,NH3-N濃度最高,高于豐水期和平水期,且變化平緩。枯水期間NH3-N相對濃度最低為12月,主要為Ⅱ類水和Ⅲ類水,占比達(dá)到82.77%,從12—次年2月NH3-N濃度逐漸上升,在1月劣Ⅴ類NH3-N濃度水的比例有所增加,出現(xiàn)在竹竿河的部分區(qū)域;2月Ⅴ類NH3-N濃度水面積增長較多,主要出現(xiàn)在小潢河和浉河以及灌河下游。枯水期Ⅰ類NH3-N濃度水占總水面平均面積為6.69%,Ⅱ類NH3-N濃度水占整體面積的35.41%,Ⅲ類NH3-N濃度水的平均占比為44.44%,Ⅳ類NH3-N濃度水的平均面積占比為10.15%,Ⅴ類為2.76%,劣Ⅴ類為0.54%主要出現(xiàn)在個別小支流。

淮河流域信陽段的NH3-N濃度在春季濃度最高,主要是冬季枯水期河流水量少且流速緩慢,NH3-N污染物易產(chǎn)生累積造成的,其濃度均值從0.77 mg/L上升至0.81 mg/L。隨著水量增加,NH3-N濃度在5—6月開始下降,并在7—9月的夏季時期因雨季NH3-N濃度全年濃度最低,濃度均值下降至0.52 mg/L。10—12月進(jìn)入冬季枯水期,NH3-N濃度又緩慢攀升,12月濃度均值為0.69 mg/L。

4.4 重點(diǎn)區(qū)域NH3-N濃度分布

依據(jù)局部NH3-N濃度差異程度的不同,NH3-N濃度較高的局部小區(qū)域主要出現(xiàn)在潢河和浉河的下游。

浉河NH3-N濃度局部長期在1.6～2.3 mg/L,8月時最大值達(dá)到了4.5 mg/L,一年內(nèi)NH3-N濃度變化情況如圖8所示。

圖8 浉河局部區(qū)域NH3-N濃度變化Fig.8 Variation of NH3-N concentration in local area of the Shihe River

潢河NH3-N濃度為0.1～1.9 mg/L,小潢河濃度為0.3～2.5 mg/L,且濃度在1.5 mg/L區(qū)域基本集中在中下游段,與季節(jié)變化趨勢相關(guān)弱,一年內(nèi)NH3-N濃度變化情況如圖9所示。

圖9 潢河局部區(qū)域NH3-N濃度變化Fig.9 Variation of NH3-N concentration in local area of the Huanghe River

根據(jù)調(diào)查,信陽市主要河流周邊大部分為農(nóng)田,市內(nèi)主要排污口分布在浉河和潢河的工業(yè)生產(chǎn)區(qū)和生活區(qū),其面源污染主要受農(nóng)業(yè)農(nóng)田影響,局部V類及以上的嚴(yán)重污染主要受人類工業(yè)活動影響。

在豐水期,由于被雨水稀釋,NH3-N整體濃度更低;枯水期NH3-N濃度最高,濃度變化平緩;除去排污的影響,在3—9月的農(nóng)業(yè)生產(chǎn)期,農(nóng)田肥料等污染會造成水體的NH3-N濃度上升和局部變化。對于浉河、潢河等污染物濃度異于季節(jié)規(guī)律且常有高濃度NH3-N分布的情況,則主要是由工業(yè)生產(chǎn)引起的。

5 結(jié)束語

提出了改進(jìn)的SR-FSDAF模型,通過不同融合模型融合結(jié)果對比,發(fā)現(xiàn)SR-FSDAF模型比STARFM、SRCNN嵌入模型和FSDAF具有更優(yōu)的視覺效果和指標(biāo)結(jié)果,圖像RMSE、SSIM和SAM分別為0.009 9(均值)、0.975 (均值)和3.417。基于SR-FSDAF方法,利用Landsat-8 OLI和MODIS進(jìn)行時空影像融合,并進(jìn)行了NH3-N濃度的反演及其時空分析,在一定程度上彌補(bǔ)了傳統(tǒng)水質(zhì)監(jiān)測方法獲得NH3-N污染物時空變化特征難的問題。

提出的SR-FSDAF方法在提高NH3-N濃度反演頻率上具有一定參考價值,但仍需隨季節(jié)性差異和區(qū)域性差異進(jìn)行調(diào)整和改進(jìn),可為小區(qū)域水質(zhì)監(jiān)測提供模型與參考。