摘 要：懸浮泥沙濃度（ＳＳＣ）是重要的水質(zhì)監(jiān)測參數(shù)。以寧夏清水河王團(tuán)段為研究對象，基于２０２２ 年８ 月２６ 日至１１ 月５ 日原位高光譜數(shù)據(jù)與ＳＳＣ 構(gòu)建了適用于極高含沙量水體的ＳＳＣ 反演模型，選用單波段模型、波段差值模型、波段比值模型、二元線性模型４ 種經(jīng)驗(yàn)?zāi)Ｐ停瑢Ρ绕渚?。結(jié)果表明：針對極高含沙量水體，單波段模型擬合效果不佳，模型決定系數(shù)（Ｒ２ ） 不足０．２５。波段差值模型、波段比值模型、二元線性模型一定程度上可以降低噪聲的影響，提高模型Ｒ２。整體上，波段差值模型效果較好，基于６５０～７２０ｎｍ 波段反射率與５６０～７００ ｎｍ 波段反射率構(gòu)成的波段差值模型的Ｒ２大于０．４０，其中Ｒ６８７－Ｒ６８５ 模型的Ｒ２最大，為０．７６。

關(guān)鍵詞：原位高光譜；懸浮泥沙濃度；反演模型；寧夏清水河王團(tuán)段

中圖分類號：ＴＶ１４５＋ ．３ 文獻(xiàn)標(biāo)志碼：Ａ ｄｏｉ：１０．３９６９／ ｊ．ｉｓｓｎ．１０００－１３７９．２０２５．０４．００５

引用格式：侯崢，侯英卓，邢前國，等．基于原位高光譜的極高懸浮泥沙濃度監(jiān)測模型研究［Ｊ］．人民黃河，２０２５，４７（４）：２８－３１，３７．

０ 引言

受黃土高原水土流失與降水沖刷等影響，黃河懸浮泥沙濃度（ＳＳＣ）極高。２０２２ 年《黃河泥沙公報(bào)》顯示，黃河最大含沙量超過４５０ ｇ／ Ｌ。ＳＳＣ 是重要的水質(zhì)監(jiān)測參數(shù)，其與水體濁度密切相關(guān)，高ＳＳＣ 水體的濁度通常較高［１］ 。懸浮泥沙是污染物的重要載體［２］ ，水體ＳＳＣ 越高，污染物含量越高，太陽光在水體中的衰減速度越快，從而對水體浮游生物與底棲生物的生存產(chǎn)生不利影響［２－３］ 。因此，開展黃河水體ＳＳＣ 監(jiān)測，對提高黃河水質(zhì)分析與生態(tài)管理效率至關(guān)重要。

水體ＳＳＣ 監(jiān)測方法主要有野外調(diào)查與遙感監(jiān)測兩種，其中遙感監(jiān)測方法具有監(jiān)測時(shí)序長、省時(shí)省力等優(yōu)點(diǎn)，已被廣泛應(yīng)用于海水、湖泊及河流等多種水體的ＳＳＣ 監(jiān)測［４－６］ 。目前已有眾多ＳＳＣ 遙感監(jiān)測模型被提出，主要包括經(jīng)驗(yàn)?zāi)Ｐ?、半分析模型與神經(jīng)網(wǎng)絡(luò)模型等［７－１０］ 。Ｑｉｕ 等［１１］ 利用經(jīng)驗(yàn)?zāi)Ｐ蛯?shí)現(xiàn)了１９８６—２０２２年黃河水體ＳＳＣ 反演，反演結(jié)果的平均相對誤差為３９％，約９７％河段的ＳＳＣ 呈下降趨勢；Ｋｏｎｇ 等［９］ 利用半分析模型對渤海灣水體ＳＳＣ 進(jìn)行了反演研究，發(fā)現(xiàn)針對較渾濁水體ＳＳＣ 的反演精度較高；Ｊｉａｎｇ 等［１０］ 對中山市水體ＳＳＣ 進(jìn)行了反演研究，發(fā)現(xiàn)相比經(jīng)驗(yàn)?zāi)Ｐ?，在反演渾濁水體ＳＳＣ 時(shí)神經(jīng)網(wǎng)絡(luò)模型沒有顯著優(yōu)勢。值得注意的是，目前被提出的眾多模型僅適用于低或高含沙量水體的ＳＳＣ 反演，例如：章敏超等［１２］ 研究的舟山近岸水體ＳＳＣ 范圍為０～１．２ ｇ／ Ｌ，Ｈｏｕ 等［１３］研究的長江中下游湖泊ＳＳＣ 最高值為０．３ ｇ／ Ｌ，Ｑｉｕ等［１１］ 研究的黃河ＳＳＣ 最高值為３１ ｇ／ Ｌ。目前，針對極高含沙量（ＳＳＣ＞１００ ｇ／ Ｌ）水體的ＳＳＣ 遙感反演模型相對較少。原位高光譜數(shù)據(jù)是近地面采集的數(shù)據(jù)，具有較多的波段信息，其數(shù)據(jù)質(zhì)量較少受大氣的影響，可反映不同水體的含沙量［１４－１７］ 。因此，本文基于野外實(shí)測的極高ＳＳＣ 數(shù)據(jù)與同步的原位高光譜數(shù)據(jù)構(gòu)建極高ＳＳＣ 反演模型，實(shí)現(xiàn)對極高含沙量水體ＳＳＣ 的監(jiān)測，以期為黃河泥沙預(yù)警與水沙管理提供支撐。

１ 研究區(qū)概況與數(shù)據(jù)來源

１．１ 研究區(qū)概況

寧夏位于我國西北部黃河中上游地區(qū)，是黃土高原與內(nèi)蒙古高原的過渡帶，其西北和東北部與騰格里沙漠、烏蘭布和沙漠及毛烏素沙地相鄰［１８］ 。寧夏氣候類型為溫帶大陸性干旱半干旱氣候，常年干旱少雨，土地沙漠化較嚴(yán)重。清水河是寧夏境內(nèi)流入黃河的流域面積最大、長度最長的支流。清水河流域水土流失嚴(yán)重，降水時(shí)空分布不均。清水河含沙量非常高，實(shí)測多年平均含沙量達(dá)２１６ ｇ／ Ｌ［１９］ ，平均輸沙模數(shù)為３ １６０ ｔ／ ｋｍ２。清水河流域年輸沙量分布極不均勻，高輸沙量多出現(xiàn)在汛期，全年８０％以上的輸沙量集中在７—８ 月，這與流域降水年內(nèi)分配密切相關(guān)。本研究選取寧夏清水河王團(tuán)段為研究區(qū)域，該區(qū)域水體平均含沙量超過１００ ｇ／Ｌ，是典型的極高ＳＳＣ 水體。

１．２ 數(shù)據(jù)來源

所用數(shù)據(jù)包括實(shí)測水體原位高光譜數(shù)據(jù)與實(shí)測ＳＳＣ數(shù)據(jù)。原位高光譜數(shù)據(jù)通過ＺＫ－ＵＶＩＲ－Ｉ 型原位光譜水質(zhì)在線監(jiān)測儀獲取，光譜測量范圍為３５０～９５０ ｎｍ，光譜分辨率為０．５ ｎｍ，采集時(shí)段為２０２２ 年８ 月２６ 日至１１月５ 日。水體ＳＳＣ 數(shù)據(jù)通過人工野外采樣與室內(nèi)測量獲得，其采樣時(shí)段同原位高光譜數(shù)據(jù)。人工野外采樣采用水邊一線水面一點(diǎn)法，在河流平水期（含沙量變化平緩）每日８ 時(shí)采樣１ 次，在河流洪水期（含沙量變化劇烈）每日采樣７～１０ 次。室內(nèi)ＳＳＣ 測量采用過濾法，具體步驟如下：將水樣注入量筒，測得水樣體積；待泥沙沉淀后，倒出上部清水，將沉淀的泥沙倒在濾紙上；水分下滲后，在１００～１１０ ℃烘箱中烘干泥沙２ ｈ；稱取泥沙質(zhì)量，泥沙質(zhì)量與水樣體積之比即為水體ＳＳＣ。

經(jīng)過質(zhì)量控制，共獲得４７ 組水體原位高光譜數(shù)據(jù)（反射率）與ＳＳＣ 數(shù)據(jù)。不同水體的光譜響應(yīng)存在很大差異，部分水體光譜反射率在短波波段與長波波段存在零值，故選取波長在４００～９００ ｎｍ 范圍內(nèi)的數(shù)據(jù)。圖１為水體不同ＳＳＣ 對應(yīng)的光譜曲線。ＳＳＣ 為０～５ ｇ／ Ｌ 時(shí)，ＳＳＣ 越高各波段反射率越高；ＳＳＣ＞５ ｇ／ Ｌ 時(shí)，ＳＳＣ 越高各波段反射率越低。

２ 研究方法

基于水體原位高光譜與ＳＳＣ 的關(guān)系，構(gòu)建極高ＳＳＣ 反演模型。水體原位高光譜數(shù)據(jù)主要采用光譜分辨率重采樣至１、５、１０ ｎｍ 的數(shù)據(jù)，所用模型包括單波段模型、波段差值模型、波段比值模型、二元線性模型。單波段模型基于單波段反射率與ＳＳＣ 構(gòu)建，波段差值模型基于單波段反射率兩兩差值與ＳＳＣ 構(gòu)建，波段比值模型基于單波段反射率兩兩比值與ＳＳＣ 構(gòu)建，二元線性模型由兩個(gè)單波段反射率與ｌｎ ＳＳＣ 構(gòu)建，其中模型構(gòu)建所用的單波段反射率為任一波段反射率。單波段模型、波段差值模型與波段比值模型的函數(shù)形式見式（１），二元線性模型的函數(shù)形式見式（２）。

ｙ１ ＝ ｆ（ｘ） （１）

式中：ｙ１ 為ＳＳＣ；ｘ 為單波段反射率或單波段反射率的兩兩差值或單波段反射率的兩兩比值；ｆ 為擬合函數(shù)，包括一次多項(xiàng)式、指數(shù)函數(shù)、冪函數(shù)與對數(shù)函數(shù)。

ｙ２ ＝ ａｘ１ ＋ ｂｘ２ ＋ ｃ （２）

式中：ｙ２為ｌｎ ＳＳＣ，ｘ１與ｘ２均為單波段反射率，ａ、ｂ、ｃ 為擬合系數(shù)。

采用決定系數(shù)（Ｒ２）評估模型精度，計(jì)算公式為

式中：ｙ＾ ｉ為預(yù)測值，ｙｉ 為實(shí)測值，ｙ－ ｉ 為平均值，ｎ 為樣本總數(shù)。

３ 結(jié)果分析

３．１ 單波段模型反演精度

不同光譜分辨率的單波段模型的反演精度見圖２。１ ｎｍ 光譜分辨率的單波段模型在４０１ ｎｍ 波長處Ｒ２最大，為０．２３。５ ｎｍ 與１０ ｎｍ 光譜分辨率的模型均在４００ ｎｍ 波長處Ｒ２最大，為０．２２。３ 種光譜分辨率的單波段模型的Ｒ２在４００～６３０ ｎｍ 波長范圍內(nèi)整體呈減小趨勢，在７００～９００ ｎｍ 波長范圍內(nèi)呈增大趨勢。原因是極高ＳＳＣ 水體在可見光波段處反射信號易達(dá)到飽和，而在長波、短波波段處不易飽和，這與周媛等［７］得到的結(jié)論基本一致。整體上，單波段模型的反演效果較差，Ｒ２不足０．２５。

３．２ 波段差值模型反演精度

不同光譜分辨率的波段差值模型的反演精度見圖３，反演精度最高時(shí)模型擬合曲線見圖４［其中子圖（ａ）橫坐標(biāo)軸標(biāo)值為６８７ ｎｍ 波段與６８５ ｎｍ 波段的反射率差值，其他同理］。分析圖３ 可知，波段差值模型的Ｒ２大多小于０．４０，而由６５０～７２０ ｎｍ 波段反射率與５６０～７００ ｎｍ 波段反射率構(gòu)成的波段差值模型的Ｒ２ 大于０．４０。光譜分辨率為１ ｎｍ 由６８７ ｎｍ 波段反射率與６８５ ｎｍ 波段反射率構(gòu)成的波段差值模型（記為Ｒ６８７－Ｒ６８５ 模型）的Ｒ２最大，為０．７６；光譜分辨率為５ ｎｍ 由６９５ ｎｍ 波段反射率與６８５ ｎｍ 波段反射率構(gòu)成的波段差值模型（記為Ｒ６９５－Ｒ６８５ 模型）的Ｒ２ 最大，為０．６８；光譜分辨率為１０ ｎｍ 由６９０ ｎｍ 波段反射率與６８０ ｎｍ 波段反射率構(gòu)成的波段差值模型（記為Ｒ６９０－Ｒ６８０ 模型）的Ｒ２最大，為０．６７。

分析圖４ 可知，３ 種光譜分辨率的Ｒ２最大時(shí)，模型函數(shù)形式均為冪函數(shù)，且ＳＳＣ 越高反射率差值越小。

３．３ 波段比值模型反演精度

不同光譜分辨率的波段比值模型的反演精度見圖５（其中橫坐標(biāo)軸標(biāo)值為比值模型的分母，縱坐標(biāo)軸標(biāo)值為比值模型的分子），反演精度最高時(shí)模型擬合曲線見圖６［其中子圖（ａ）橫坐標(biāo)軸標(biāo)值為４３０ ｎｍ 波段與４１１ ｎｍ 波段的反射率比值，其他同理］。分析圖５可知，與波段差值模型類似，波段比值模型的Ｒ２ 大部分也小于０．４０。由４２０～４６０ ｎｍ 或７３０～９００ ｎｍ 波段反射率作分子與４００～４２０ ｎｍ 波段反射率作分母構(gòu)建的比值模型，以及由６５０～７２０ ｎｍ 波段反射率作分子與４００～７００ ｎｍ 波段反射率作分母構(gòu)建的比值模型的Ｒ２多數(shù)大于０．４０。相比波段差值模型，波段比值模型中Ｒ２大于０．４０ 的模型數(shù)量更多，但Ｒ２ 最大值小于波段差值模型的Ｒ２最大值。光譜分辨率為１ ｎｍ 由４３０ｎｍ 波段反射率與４１１ ｎｍ 波段反射率構(gòu)成的波段比值模型（記為Ｒ４３０／ Ｒ４１１ 模型）的Ｒ２最大，為０．６７；光譜分辨率為５ ｎｍ 由６８５ ｎｍ 波段反射率與６６０ ｎｍ 波段反射率構(gòu)成的波段比值模型（記為Ｒ６８５／ Ｒ６６０ 模型）的Ｒ２最大，為０．５３；光譜分辨率為１０ ｎｍ 由４３０ ｎｍ 波段反射率與４１０ ｎｍ 波段反射率構(gòu)成的波段比值模型（記為Ｒ４３０／ Ｒ４１０ 模型）的Ｒ２最大，為０．５３。分析圖６可知，波段比值模型的函數(shù)形式均為指數(shù)函數(shù)，ＳＳＣ 越高反射率比值越大。

３．４ 二元線性模型反演精度

不同光譜分辨率的二元線性模型的反演精度見圖７（其中橫坐標(biāo)軸代表模型的ｘ１，縱坐標(biāo)軸代表模型的ｘ２），反演精度最高的模型對ｌｎ ＳＳＣ 的預(yù)測值與實(shí)際值對比見圖８。分析圖７ 可知，二元線性模型的Ｒ２分布與波段比值模型相似，Ｒ２ 大多數(shù)也不足０．４０。由４００ ～４２０ ｎｍ波段反射率作ｘ１與４００～４６０ ｎｍ 或７３０～９００ ｎｍ波段反射率作ｘ２構(gòu)建的模型，以及由４００～７００ ｎｍ 波段反射率作ｘ１與６５０～７２０ ｎｍ 波段反射率作ｘ２構(gòu)建的模型的Ｒ２大于０．４０。整體上，二元線性模型的Ｒ２大于波段比值模型的。光譜分辨率為１、５、１０ ｎｍ 時(shí)Ｒ２ 最大的模型分別為［Ｒ４１１，Ｒ４３４］模型（基于４１１ ｎｍ 波段反射率作ｘ１、４３４ ｎｍ 波段反射率作ｘ２構(gòu)建的二元線性模型，以下同理）、［Ｒ６６５，Ｒ６７０］ 模型、［Ｒ６６０，Ｒ６７０］模型，其Ｒ２依次為０．６９、０．６１、０．６０。

綜上，波段差值模型、波段比值模型與二元線性模型的Ｒ２整體大于單波段模型的，原因是單波段模型易受噪聲影響，差值運(yùn)算、比值運(yùn)算與二元線性組合在一定程度上可以降低噪聲的干擾。針對３ 種光譜分辨率數(shù)據(jù)，最優(yōu)的ＳＳＣ 反演模型均為波段差值模型，其Ｒ２均在０．６５ 以上。

４ 結(jié)論

基于原位高光譜數(shù)據(jù)與ＳＳＣ 數(shù)據(jù)構(gòu)建了極高ＳＳＣ反演模型（包括單波段模型、波段差值模型、波段比值模型、二元線性模型）。研究發(fā)現(xiàn)，針對極高含沙量水體的ＳＳＣ 監(jiān)測，波段差值模型效果相對較好，最大Ｒ２為０．７６。針對４ 類反演模型，１ ｎｍ 光譜分辨率的模型在同類中精度最高，最優(yōu)模型的組成波段波長集中在４００～４４０ ｎｍ 或５６０～７２０ ｎｍ。

本文針對２０２２ 年８—１１ 月監(jiān)測數(shù)據(jù)進(jìn)行建模，在研究區(qū)氣溫、水位、水流條件下模型適用性高，若要實(shí)現(xiàn)模型在全年全周期的普適性，需要采集更加全面的原位高光譜數(shù)據(jù)與河流ＳＳＣ 值，進(jìn)行模型優(yōu)化。在此基礎(chǔ)上還可以構(gòu)建基于葉綠素ａ 濃度與透明度等水質(zhì)參數(shù)的監(jiān)測模型，綜合評估極高含沙量水體的水質(zhì)情況。

參考文獻(xiàn)：

［１］ ＬＡＶＩＧＮＥ Ｈ，ＤＯＧＬＩＯＴＴＩ Ａ，ＤＯＸＡＲＡＮ Ｄ，ｅｔ ａｌ．Ｔｈｅ Ｈｙｐｅｒ?ｍａｑ Ｄａｔａｓｅｔ：Ｂｉｏ?Ｏｐｔｉｃａｌ Ｐｒｏｐｅｒｔｉｅｓ ｏｆ Ｍｏｄｅｒａｔｅｌｙ ｔｏ ＥｘｔｒｅｍｅｌｙＴｕｒｂｉｄ Ｗａｔｅｒｓ［Ｊ］．Ｅａｒｔｈ Ｓｙｓｔｅｍ Ｓｃｉｅｎｃｅ Ｄａｔａ，２０２２，１４（１１）：４９３５－４９４７．

［２］ ＣＵＭＭＩＮＧＳ Ｖ Ｊ，ＢＥＡＵＭＯＮＴ Ｊ，ＭＯＢＩＬＩＡ Ｖ，ｅｔ ａｌ．Ｒｅｓｐｏｎｓｅｓｏｆ ａ Ｃｏｍｍｏｎ Ｎｅｗ Ｚｅａｌａｎｄ Ｃｏａｓｔａｌ Ｓｐｏｎｇｅ ｔｏ Ｅｌｅｖａｔｅｄ Ｓｕｓ?ｐｅｎｄｅｄ Ｓｅｄｉｍｅｎｔｓ：Ｉｎｄｉｃａｔｉｏｎｓ ｏｆ Ｒｅｓｉｌｉｅｎｃｅ［Ｊ］．Ｍａｒ ＥｎｖｉｒｏｎＲｅｓ，２０２０，１５５：１０４８８６．

［３］ ＯＬＩＶＥＩＲＡ Ｍ Ｌ Ｓ，ＤＯＴＴＯ Ｇ Ｌ，ＰＩＮＴＯ Ｄ，ｅｔ ａｌ．Ｎａｎｏｐａｒｔｉｃｌｅｓａｓ Ｖｅｃｔｏｒｓ ｏｆ Ｏｔｈｅｒ Ｃｏｎｔａｍｉｎａｎｔｓ ｉｎ Ｅｓｔｕａｒｉｎｅ ＳｕｓｐｅｎｄｅｄＳｅｄｉｍｅｎｔｓ：Ｎａｔｕｒａｌ ａｎｄ Ｒｅａｌ Ｃｏｎｄｉｔｉｏｎｓ［Ｊ］．Ｍａｒ Ｐｏｌｌｕｔ Ｂｕｌｌ，２０２１，１６８：１１２４２９．

［４］ 段夢偉，李如仁，劉東，等．河流水體懸浮泥沙遙感研究進(jìn)展與展望［Ｊ］．地球科學(xué)進(jìn)展，２０２３，３８（７）：６７５－６８７．

［５］ 王思夢，秦伯強(qiáng)．湖泊水質(zhì)參數(shù)遙感監(jiān)測研究進(jìn)展［Ｊ］．環(huán)境科學(xué)，２０２３，４４（３）：１２２８－１２４３．

［６］ ＨＡＮ Ｂ，ＬＯＩＳＥＬ Ｈ，ＶＡＮＴＲＥＰＯＴＴＥ Ｖ，ｅｔ ａｌ．Ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ａＳｅｍｉ?Ａｎａｌｙｔｉｃａｌ Ａｌｇｏｒｉｔｈｍ ｆｏｒ ｔｈｅ Ｒｅｔｒｉｅｖａｌ ｏｆ Ｓｕｓｐｅｎｄｅｄ Ｐａｒ?ｔｉｃｕｌａｔｅ Ｍａｔｔｅｒ ｆｒｏｍ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｖｅｒ Ｃｌｅａｒ ｔｏ ＶｅｒｙＴｕｒｂｉｄ Ｗａｔｅｒｓ［Ｊ］．Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２０１６，８（３）：２１１．

［７］ 周媛，郝艷玲，劉東偉，等．基于Ｌａｎｄｓａｔ ８ 影像的黃河口懸浮物質(zhì)量濃度遙感反演［Ｊ］．海洋學(xué)研究，２０１８，３６（１）：３５－４５．

［８］ 褚言皓，吳文娟，李鵬，等．黃河口懸浮泥沙時(shí)空動態(tài)及其驅(qū)動機(jī)制［Ｊ］．海洋學(xué)報(bào)，２０２２，４４（６）：１５０－１６３．

［９］ ＫＯＮＧ Ｊ Ｌ，ＳＵＮ Ｘ Ｍ，ＷＯＮＧ Ｄ Ｗ，ｅｔ ａｌ．Ａ Ｓｅｍｉ?ＡｎａｌｙｔｉｃａｌＭｏｄｅｌ ｆｏｒ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｒｅｔｒｉｅｖａｌ ｏｆ Ｓｕｓｐｅｎｄｅｄ ＳｅｄｉｍｅｎｔＣｏｎｃｅｎｔｒａｔｉｏｎ ｉｎ ｔｈｅ Ｇｕｌｆ ｏｆ Ｂｏｈａｉ，Ｃｈｉｎａ［Ｊ］．Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ，２０１５，７（５）：５３７３－５３９７．

［１０］ ＪＩＡＮＧ Ｂ，ＬＩＵ Ｈ Ｌ，ＸＩＮＧ Ｑ Ｇ，ｅｔ ａｌ．Ｅｖａｌｕａｔｉｎｇ ＴｒａｄｉｔｉｏｎａｌＥｍｐｉｒｉｃａｌ Ｍｏｄｅｌｓ ａｎｄ Ｂｐｎｎ Ｍｏｄｅｌｓ ｉｎ Ｍｏｎｉｔｏｒｉｎｇ ｔｈｅ Ｃｏｎ?ｃｅｎｔｒａｔｉｏｎｓ ｏｆ Ｃｈｌｏｒｏｐｈｙｌｌ?Ａ ａｎｄ Ｔｏｔａｌ Ｓｕｓｐｅｎｄｅｄ Ｐａｒｔｉｃｕｌａｔｅｏｆ Ｅｕｔｒｏｐｈｉｃ ａｎｄ Ｔｕｒｂｉｄ Ｗａｔｅｒｓ［Ｊ］．Ｗａｔｅｒ，２０２１，１３（５）：６５０．

［１１］ ＱＩＵ Ｚ Ｑ，ＬＩＵ Ｄ，ＤＵＡＮ Ｍ Ｗ，ｅｔ ａｌ．Ｆｏｕｒ?Ｄｅｃａｄｅｓ ｏｆ Ｓｅｄｉ?ｍｅｎｔ Ｔｒａｎｓｐｏｒｔ Ｖａｒｉａｔｉｏｎｓ ｉｎ ｔｈｅ Ｙｅｌｌｏｗ Ｒｉｖｅｒ ｏｎ ｔｈｅ ＬｏｅｓｓＰｌａｔｅａｕ Ｕｓｉｎｇ Ｌａｎｄｓａｔ Ｉｍａｇｅｒｙ［Ｊ］．Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎ?ｖｉｒｏｎｍｅｎｔ，２０２４，３０６：１１４１４７．

［１２］ 章敏超，郭碧云．基于ＧＦ－１ 號的舟山近岸懸浮泥沙濃度反演研究［Ｊ］．海洋開發(fā)與管理，２０１８，３５（１）：１２６－１３１．

［１３］ ＨＯＵ Ｘ Ｊ，ＦＥＮＧ Ｌ，ＤＵＡＮ Ｈ Ｔ，ｅｔ ａｌ．Ｆｉｆｔｅｅｎ?Ｙｅａｒ Ｍｏｎｉｔｏｒｉｎｇｏｆ ｔｈｅ Ｔｕｒｂｉｄｉｔｙ Ｄｙｎａｍｉｃｓ ｉｎ Ｌａｒｇｅ Ｌａｋｅｓ ａｎｄ Ｒｅｓｅｒｖｏｉｒｓ ｉｎｔｈｅ Ｍｉｄｄｌｅ ａｎｄ Ｌｏｗｅｒ Ｂａｓｉｎ ｏｆ ｔｈｅ Ｙａｎｇｔｚｅ Ｒｉｖｅｒ，Ｃｈｉｎａ［Ｊ］．Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉｒｏｎｍｅｎｔ，２０１７，１９０：１０７－１２１．

［１４］ 唐軍武，田國良，汪小勇，等．水體光譜測量與分析Ⅰ：水面以上測量法［Ｊ］．遙感學(xué)報(bào)，２００４，８（１）：３７－４４．

［１５］ 劉茜，ＲＯＳＳＩＴＥＲ Ｄ Ｇ．基于高光譜數(shù)據(jù)和ＭＯＤＩＳ 影像的鄱陽湖懸浮泥沙濃度估算［Ｊ］．遙感技術(shù)與應(yīng)用，２００８，

２３（１）：７－１１，１１９．［１６］ ＳＩＹＯＯＮ Ｋ，ＷＯＮ Ｓ Ｉ，ＳＩＷＡＮ Ｌ．Ｉｎｖｅｓｔｉｇａｔｉｎｇ Ｍｉｘｉｎｇ Ｐａｔ?ｔｅｒｎｓ ｏｆ Ｓｕｓｐｅｎｄｅｄ Ｓｅｄｉｍｅｎｔ ｉｎ ａ Ｒｉｖｅｒ Ｃｏｎｆｌｕｅｎｃｅ ＵｓｉｎｇＨｉｇｈ?Ｒｅｓｏｌｕｔｉｏｎ Ｈｙｐｅｒｓｐｅｃｔｒａｌ Ｉｍａｇｅｒｙ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｈｙ?ｄｒｏｌｏｇｙ，２０２３，６２０（ＰＢ）：１２９５０５．

［１７］ ＨＡＲＲＩＮＧＭＥＹＥＲ Ｊ Ｐ，ＧＨＯＳＨ Ｎ，ＷＥＩＳＥＲ Ｍ Ｗ，ｅｔ ａｌ．Ａ Ｈｙ?ｐｅｒｓｐｅｃｔｒａｌ Ｖｉｅｗ ｏｆ ｔｈｅ Ｎｅａｒｓｈｏｒｅ Ｍｉｓｓｉｓｓｉｐｐｉ Ｒｉｖｅｒ Ｄｅｌｔａ：Ｃｈａｒａｃｔｅｒｉｚｉｎｇ Ｓｕｓｐｅｎｄｅｄ Ｐａｒｔｉｃｌｅｓ ｉｎ Ｃｏａｓｔａｌ ＷｅｔｌａｎｄｓＵｓｉｎｇ Ｉｍａｇｉｎｇ Ｓｐｅｃｔｒｏｓｃｏｐｙ［Ｊ］．Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｏｆ Ｅｎｖｉ?ｒｏｎｍｅｎｔ，２０２４，３０１：１１３９４３．

［１８］ 段麗婷，馬永剛．寧夏６０ 年泥沙特性和變化規(guī)律分析［Ｊ］．寧夏工程技術(shù)，２０２１，２０（１）：３４－３８．

［１９］ 艾成，丁環(huán)．寧夏清水河流域水文特性分析［Ｊ］．寧夏農(nóng)林科技，２０１０，５１（３）：７１－７２．

【責(zé)任編輯 栗 銘】

基金項(xiàng)目：山東省創(chuàng)新技術(shù)引導(dǎo)計(jì)劃項(xiàng)目（ＹＤＺＸ２０２４０２１）；寧夏回族自治區(qū)重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（２０２３ＢＥＧ０２０５２）；中國科學(xué)院重點(diǎn)儀器研發(fā)項(xiàng)目（ＹＪＫＹＹＱ２０１７００４８）