中圖分類號(hào)：X87；X832 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1674-3075（2025）04-0132-12

葉綠素a（Chl-a）濃度可以在一定程度上反映水體的富營(yíng)養(yǎng)化程度，是表征城市河流水環(huán)境狀況的重要指標(biāo)（陳水勇等，1999；焦紅波等，2006）。隨著人們生態(tài)環(huán)境保護(hù)意識(shí)的增強(qiáng)，城市河流水質(zhì)監(jiān)測(cè)受到廣泛關(guān)注，如何持續(xù)動(dòng)態(tài)監(jiān)測(cè)城市河流水質(zhì)，對(duì)于保護(hù)城市圈水資源具有重要意義。

傳統(tǒng)的水質(zhì)監(jiān)測(cè)多采用單點(diǎn)監(jiān)測(cè)方法，該方法不僅費(fèi)時(shí)費(fèi)力，且僅能通過(guò)實(shí)測(cè)得到采樣點(diǎn)附近的水質(zhì)濃度信息，不能全面分析大范圍水質(zhì)情況（Pageetal，2019）。遙感技術(shù)憑借其時(shí)效性強(qiáng)、監(jiān)測(cè)范圍廣的優(yōu)勢(shì)，被廣泛應(yīng)用于水質(zhì)定量估算等領(lǐng)域（Mosesamp;Miller，2019；Yueetal，2019）。隨著遙感技術(shù)的深入發(fā)展，基于遙感的水質(zhì)監(jiān)測(cè)已經(jīng)從定性分析向定量分析發(fā)展（Pahlevanetal，2017）。然而針對(duì)城市河流這種狹長(zhǎng)、水質(zhì)狀況復(fù)雜的水體，傳統(tǒng)的衛(wèi)星遙感無(wú)法滿足估算需求。隨著無(wú)人機(jī)技術(shù)的迅猛發(fā)展，無(wú)人機(jī)以其成本低、靈活性強(qiáng)和低空飛行等優(yōu)點(diǎn)，在生態(tài)環(huán)境監(jiān)測(cè)、地質(zhì)災(zāi)害災(zāi)后評(píng)估、植被物候監(jiān)測(cè)、國(guó)土資源利用監(jiān)測(cè)等領(lǐng)域得到廣泛應(yīng)用（Dunfordetal，2009；Guillen-Climentetal，2012）。無(wú)人機(jī)搭載的高分辨率多光譜相機(jī)能夠在不受云層干擾的情況下，有效提取出高質(zhì)量的小微水體光譜信息，且反演精度高，證明了無(wú)人機(jī)遙感水質(zhì)反演的實(shí)用性（楊振等，2020；Yingetal，2021；羅小波等，2023）。

水質(zhì)參數(shù)的傳統(tǒng)遙感估算模型主要基于統(tǒng)計(jì)學(xué)方法，然后通過(guò)尋找敏感波段或波段組合作為特征變量來(lái)構(gòu)建估算模型，從而實(shí)現(xiàn)對(duì)水質(zhì)的估算，包括線性回歸、多項(xiàng)式回歸等（Mathewetal，2017；Mohsenetal，2021；孫世舉等，2023）。趙琳（2023）運(yùn)用哨兵2號(hào)數(shù)據(jù)，以敏感波段因子為變量，構(gòu)建了多種水質(zhì)參數(shù)的一元線性回歸模型，并對(duì)白洋淀水質(zhì)進(jìn)行了估算，最終得到的 R² 高達(dá)0.74；基于無(wú)人機(jī)多光譜數(shù)據(jù)和實(shí)測(cè)水質(zhì)參數(shù)，劉彥君等（2019）建立指數(shù)模型及多項(xiàng)式模型，估算了東湖水域的總磷（TP）、懸浮物（SS）和濁度（TUB）。這些傳統(tǒng)的統(tǒng)計(jì)回歸方法構(gòu)造簡(jiǎn)單，多針對(duì)特定時(shí)間段或某固定水域的水質(zhì)參數(shù)估算，無(wú)法滿足多時(shí)序數(shù)據(jù)的持續(xù)估算，對(duì)于增加新的時(shí)間點(diǎn)數(shù)據(jù)往往需要重新構(gòu)造估算模型，適用性不強(qiáng)（章佩麗等，2022）。近年來(lái)深度學(xué)習(xí)和人工智能方法發(fā)展迅速，為水質(zhì)估算提供了新的機(jī)遇和挑戰(zhàn)，目前利用深度學(xué)習(xí)方法的水質(zhì)估算也取得了不錯(cuò)的成果（但雨生等，2020；馬豐魁等，2020；徐鵬飛等，2021）。Xue等（2021）以洞庭湖為例，開(kāi)發(fā)了一種利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）估算葉綠素a濃度的算法，結(jié)果表明，該算法在葉綠素a濃度估算方面具有一定的優(yōu)越性；Pyo等（2019）同樣以具有不同輸出窗口的卷積神經(jīng)網(wǎng)絡(luò)來(lái)估計(jì)藻藍(lán)蛋白（PC）和葉綠素a（Chl-a）的濃度，估算誤差明顯小于其他傳統(tǒng)的光學(xué)算法；在水質(zhì)監(jiān)測(cè)中淺層神經(jīng)網(wǎng)絡(luò)的估算效果并不理想，于是Qi等（2020）充分利用了水質(zhì)參數(shù)的時(shí)序特征，提出一種長(zhǎng)短期記憶網(wǎng)絡(luò)模型（LSTM）對(duì)pH、溶解氧、化學(xué)需氧量和氨氮等4種水質(zhì)參數(shù)指標(biāo)進(jìn)行了估算，取得了較好的結(jié)果。

上述研究結(jié)果表明，神經(jīng)網(wǎng)絡(luò)結(jié)合遙感技術(shù)在水質(zhì)參數(shù)反演方面具有很大潛力。然而，傳統(tǒng)的深度學(xué)習(xí)模型存在復(fù)雜性高、參數(shù)過(guò)多、過(guò)擬合風(fēng)險(xiǎn)和缺乏普適性等不足，且由于實(shí)地采樣數(shù)據(jù)較少，所構(gòu)建的模型精度不夠高，模型應(yīng)用受限，同一算法只能在某一區(qū)域內(nèi)保證其精度?；诖?，本文以南淝河典型河段為研究區(qū)域，基于不同時(shí)期的無(wú)人機(jī)多光譜數(shù)據(jù)和葉綠素a濃度實(shí)地采樣數(shù)據(jù)，深入分析城市河流水質(zhì)，挖掘其深層特征，研究水質(zhì)濃度與光譜之間的線性和非線性關(guān)系，結(jié)合BO-DNN模型引入了貝葉斯優(yōu)化方法，在優(yōu)化選擇最優(yōu)超參數(shù)的同時(shí)，降低過(guò)擬合風(fēng)險(xiǎn)，提高模型泛化能力，從而提高模型性能。同時(shí)，通過(guò)增加同一水域不同時(shí)間段的未訓(xùn)練數(shù)據(jù)，驗(yàn)證模型泛化能力。本研究有望進(jìn)一步推動(dòng)遙感水質(zhì)參數(shù)智能估算的實(shí)際應(yīng)用和理論創(chuàng)新，在生態(tài)環(huán)境保護(hù)、城市圈水資源治理與保護(hù)、城市管理等方面具有重要的現(xiàn)實(shí)意義和應(yīng)用價(jià)值。

1材料與方法

1.1 研究區(qū)概況

南淝河古稱施水，是巢湖的一條重要支流，發(fā)源于合肥市西北部江淮分水嶺的東南側(cè)，橫跨合肥市區(qū)，流經(jīng)4區(qū)2縣，最終于施口注入巢湖（圖1）。自董鋪水庫(kù)建成以來(lái)，南淝河上游來(lái)水被截?cái)啵誓箱呛拥墓┧畞?lái)源主要為降水和污水處理廠排放的尾水，隨著城市化進(jìn)程的加快，對(duì)南淝河水質(zhì)的監(jiān)測(cè)和治理已經(jīng)迫在眉睫。本文選擇2段南淝河典型河段為研究區(qū)域，分析南淝河葉綠素a的分布情況，研究區(qū)A位于老城區(qū)蒙城路橋至阜陽(yáng)路橋段，該河段周邊以商業(yè)住宅區(qū)和城市公園為主，其水質(zhì)狀況直接影響城市生態(tài)環(huán)境和用水安全；研究區(qū)B位于巢湖入湖口附近雙陡門至合肥港段，該河段是南淝河流域的一條重要航道，周邊環(huán)境以農(nóng)業(yè)種植區(qū)為主，其水環(huán)境直接影響下游巢湖水質(zhì)狀況，根據(jù)治湖先治河的思路，監(jiān)測(cè)南淝河水質(zhì)對(duì)今后巢湖水質(zhì)治理具有重要意義。

1.2葉綠素a濃度數(shù)據(jù)獲取

為確保數(shù)據(jù)的可用性，本研究選擇天氣晴朗、河面平靜的時(shí)間段采集水樣。本次試驗(yàn)采用杯式定深水質(zhì)取樣器在研究區(qū)A和B共進(jìn)行了5次水樣采集，包括研究區(qū)A在2020年8月、2021年6月、2021年9月的3期數(shù)據(jù)采集和研究區(qū)B在2020年11月、2021年9月的2期數(shù)據(jù)采集，采樣點(diǎn)位置見(jiàn)圖2。為了方便試驗(yàn)開(kāi)展，僅在岸邊分布了取水樣點(diǎn)，每個(gè)樣點(diǎn)采集水面0.5m 以下 500mL 水樣，在實(shí)驗(yàn)室使用葉綠素a測(cè)定儀，檢測(cè)得出試驗(yàn)所需的葉綠素a濃度參數(shù)，共獲取了161個(gè)采樣點(diǎn)數(shù)據(jù)，具體見(jiàn)表1。

1.3無(wú)人機(jī)數(shù)據(jù)獲取及預(yù)處理

為保證試驗(yàn)數(shù)據(jù)的適用性，采樣的同時(shí)在研究區(qū)進(jìn)行無(wú)人機(jī)影像的采集，本次采用的是飛馬D200多旋翼無(wú)人機(jī)為空中飛行平臺(tái)，搭載redgeMX多光譜相機(jī)來(lái)獲取研究區(qū)的多光譜影像，無(wú)人機(jī)多光譜數(shù)據(jù)包含藍(lán)、綠、紅、紅邊、近紅等5個(gè)波段，中心波長(zhǎng)為 475～840nm ，波段寬度為 12～32nm 。考慮到無(wú)人機(jī)飛行距離小，同時(shí)配備實(shí)時(shí)差分系統(tǒng)，以便準(zhǔn)確提供圖像的外部方位要素，因此采用無(wú)圖像控制的數(shù)據(jù)采集方法。最后，對(duì)采集得到的無(wú)人機(jī)多光譜數(shù)據(jù)進(jìn)行預(yù)處理，主要包括去除散焦、軌跡畸變校正、幾何校正、輻射校正、圖像拼接等。本次現(xiàn)場(chǎng)數(shù)據(jù)采集的詳細(xì)情況見(jiàn)表2，其中分辨率均為 0.1m 。

1.4敏感波段分析

葉綠素a濃度的反演依賴于光譜數(shù)據(jù)中不同波段的反射特性。葉綠素a濃度在不同的波段上表現(xiàn)出不同的敏感性，因此選擇敏感性較強(qiáng)的波段可以顯著提高模型的準(zhǔn)確性。常見(jiàn)的敏感波段包括紅邊波段、近紅外波段和藍(lán)綠波段，這些波段對(duì)葉綠素a具有顯著的吸收和反射特性，能夠更好地捕捉其濃度變化。雖然原始波段能反映某一特定波長(zhǎng)范圍的光譜特征，但難以有效捕捉影響因子與水質(zhì)參數(shù)之間的關(guān)系，而波段組合能夠進(jìn)一步增強(qiáng)光譜信息與葉綠素a的相關(guān)性，降低背景信息的干擾，提高反演精度（何捷等，2019；黃振輝等，2024）。通過(guò)選擇與葉綠素a濃度高度相關(guān)的波段組合，減少冗余信息的同時(shí)，獲取更有效的光譜信息，從而更準(zhǔn)確地反映水質(zhì)參數(shù)變化。

本文采用Pearson相關(guān)性系數(shù)來(lái)分析單波段或波段組合的遙感反射率與葉綠素a濃度之間的相關(guān)程度（圖3），單波段中b3波段與葉綠素a濃度的相關(guān)性程度最高（-0.637），其次是b2波段（-0.598）；經(jīng)過(guò)波段組合后的相關(guān)性可達(dá)到0.8左右，其結(jié)果大大優(yōu)于單波段，表明最優(yōu)波段組合更能充分反映葉綠素a濃度的變化，基于此本文構(gòu)建了7個(gè)相關(guān)性程度達(dá)到0.8左右的波段組合，包括b5/b3、b2/b3、b1/b3、b5/b2、 63+65 0/b3、 62+ b5）/b3、（b1+b5）/b3。本文以經(jīng)過(guò)敏感波段分析后的7種波段組合作為特征變量，將實(shí)測(cè)的葉綠素a數(shù)據(jù)作為目標(biāo)值，構(gòu)建南淝河葉綠素a數(shù)據(jù)集。具體的，將2021年9月17日研究區(qū)A的實(shí)測(cè)數(shù)據(jù)作為驗(yàn)證集，其余4次試驗(yàn)獲取的142組數(shù)據(jù)按照8：2的比例，隨機(jī)抽取 80%（114 個(gè)）作為訓(xùn)練集，其余 20%（28 個(gè)）作為測(cè)試集。

1.5DNN網(wǎng)絡(luò)模型

深度神經(jīng)網(wǎng)絡(luò)（DNN）是一種基于多層神經(jīng)元連接和層次化架構(gòu)的高級(jí)模型，專門用于處理復(fù)雜的模式識(shí)別和回歸問(wèn)題（Hintonetal，2012）。DNN模型包含輸入層、隱藏層和輸出層3個(gè)部分，每層都由多個(gè)神經(jīng)元組成（Lecunetal，2015）。與傳統(tǒng)的淺層神經(jīng)網(wǎng)絡(luò)相比，深度神經(jīng)網(wǎng)絡(luò)具有更深的層次結(jié)構(gòu)，能夠自動(dòng)提取更豐富和抽象的特征表示，從而顯著提高了模型的準(zhǔn)確性和泛化能力。

本研究采用DNN網(wǎng)絡(luò)模型作為主體結(jié)構(gòu)，并使用貝葉斯優(yōu)化算法對(duì)DNN參數(shù)進(jìn)行自動(dòng)尋優(yōu)。首先建立DNN初始模型，具體而言，模型的輸入特征是通過(guò)敏感波段分析后構(gòu)建的7種波段組合，輸入層接收原始數(shù)據(jù)，包含7個(gè)神經(jīng)元，每個(gè)神經(jīng)元對(duì)應(yīng)1個(gè)波段組合。隱藏層是深度神經(jīng)網(wǎng)絡(luò)的核心部分，通過(guò)多個(gè)隱藏層，模型可以學(xué)習(xí)到數(shù)據(jù)中的復(fù)雜特征和模式。每個(gè)隱藏層由多個(gè)神經(jīng)元組成，神經(jīng)元通過(guò)激活函數(shù)的非線性轉(zhuǎn)換輸入信號(hào)。隱藏層數(shù)量的設(shè)置對(duì)模型性能有顯著影響：隱藏層層數(shù)過(guò)多會(huì)使參數(shù)量急劇增加，導(dǎo)致過(guò)擬合，使得模型的泛化性能降低；層數(shù)過(guò)少則特征學(xué)習(xí)不充分，無(wú)法捕捉水質(zhì)數(shù)據(jù)集的一般規(guī)律，導(dǎo)致估算效果不佳。因此，本研究搭建了一個(gè)包含4層隱藏層的深度神經(jīng)網(wǎng)絡(luò)。神經(jīng)元數(shù)量分別設(shè)置為64、128、64和32，激活函數(shù)統(tǒng)一選擇ReLU，以增強(qiáng)非線性能力。在隱藏層中，兩兩相連的神經(jīng)元用于特征提取，經(jīng)過(guò)激活函數(shù)更新輸入值，并傳入下一個(gè)隱藏層，直至輸出層。模型輸出層包含一個(gè)神經(jīng)元，用于輸出葉綠素a濃度估算值。在反向傳播過(guò)程中，依據(jù)損失函數(shù)的最小化原則，更新隱藏層中神經(jīng)元的權(quán)重和偏差。本研究采用均方根誤差（MSE）作為模型的損失函數(shù)，能夠評(píng)價(jià)數(shù)據(jù)變化的程度，更好地反映預(yù)測(cè)值的誤差大小，并能快速準(zhǔn)確地達(dá)到收斂。此外，模型正則化參數(shù)選擇L2正則化，優(yōu)化器選擇Adam，學(xué)習(xí)率起始值設(shè)置為0.001。

1.6貝葉斯優(yōu)化

在深度神經(jīng)網(wǎng)絡(luò)（DNN）模型中，超參數(shù)的選擇對(duì)模型性能有著至關(guān)重要的影響。傳統(tǒng)的DNN訓(xùn)練過(guò)程中，超參數(shù)的設(shè)定往往依賴于經(jīng)驗(yàn)或是手動(dòng)調(diào)參，然而這種方式既耗時(shí)又容易導(dǎo)致結(jié)果不理想。貝葉斯優(yōu)化算法（bayesianoptimization，BO）通過(guò)系統(tǒng)化、高效化和自動(dòng)化的方式進(jìn)行超參數(shù)調(diào)優(yōu)，顯著提高了DNN模型的性能和調(diào)參效率（Snoeketal，2012）。通過(guò)貝葉斯優(yōu)化可以更好地找到最佳的超參數(shù)組合，從而提高估算精度和模型的穩(wěn)定性。因此，本研究構(gòu)建了一種BO-DNN網(wǎng)絡(luò)模型，通過(guò)深度神經(jīng)網(wǎng)絡(luò)（DNN）進(jìn)行葉綠素a濃度的反演，并使用貝葉斯優(yōu)化（BO）自動(dòng)搜索DNN模型的最優(yōu)超參數(shù)。在BO優(yōu)化過(guò)程中，本研究使用五折交叉驗(yàn)證法來(lái)評(píng)價(jià)各組超參數(shù)配置的表現(xiàn)，并持續(xù)迭代更新DNN網(wǎng)絡(luò)架構(gòu)，直至BO算法的迭代次數(shù)耗盡或滿足停止條件，然后停止搜索并保留最佳的網(wǎng)絡(luò)結(jié)構(gòu)。最后，利用驗(yàn)證集數(shù)據(jù)檢驗(yàn)本方法在準(zhǔn)確性、泛化能力和計(jì)算效率上的表現(xiàn)（圖4）。

本研究?jī)?yōu)化參數(shù)包括批處理大小、學(xué)習(xí)率、隱藏層層數(shù)、隱藏層神經(jīng)元數(shù)量、正則化參數(shù)、優(yōu)化器類型和激活函數(shù)類型。通過(guò)對(duì)DNN模型參數(shù)進(jìn)行100次優(yōu)化迭代，旨在找到最適合建模的最佳參數(shù)組合。各優(yōu)化參數(shù)見(jiàn)表3。

2結(jié)果與分析

2.1BO-DNN模型精度評(píng)價(jià)

本文采用決定系數(shù) （R²） 、平均絕對(duì)誤差 （E_MA ）和均方根誤差 （E_RMS） 來(lái)評(píng)價(jià)模型的準(zhǔn)確性，根據(jù) R² 的值選擇最優(yōu)模型。 R² 表示回歸模型對(duì)檢驗(yàn)數(shù)據(jù)的擬合程度，該值越接近1，表示模型的擬合程度越高； E_RMS 表示測(cè)試數(shù)據(jù)與預(yù)測(cè)值之間的偏差，該值越小，模型的預(yù)測(cè)精度越高； E_MA 是評(píng)價(jià)預(yù)測(cè)結(jié)果準(zhǔn)確性的一種方法，該值越小表明模型的預(yù)測(cè)準(zhǔn)確度越高（Shietal，2013）。本研究隨機(jī)選取樣本量的 20% 作為測(cè)試集進(jìn)行模型的精度評(píng)價(jià)，來(lái)驗(yàn)證模型的精度，從圖5可以看出BO-DNN網(wǎng)絡(luò)模型的葉綠素a濃度的估算擬合優(yōu)度達(dá)到了 0.91，E_RMS 為 0.035mg/L ，E_MA 為 0.018mg/L ，實(shí)測(cè)值和預(yù)測(cè)值的擬合程度較高，表明該深度學(xué)習(xí)網(wǎng)絡(luò)模型可以用于葉綠素a的濃度估算。

式中： y_i 為實(shí)測(cè)值， 為預(yù)測(cè)值， 為平均值， n 為樣本數(shù)。

2.2方法對(duì)比

為了驗(yàn)證本文深度學(xué)習(xí)模型在葉綠素a濃度估算中的有效性，本研究采用了當(dāng)前水質(zhì)估算領(lǐng)域流行的方法，包括支持向量機(jī)（SVM）、隨機(jī)森林（randomforest regressor，RF）、XGBoost（extreme gradientboosting）、K近鄰（Knearestneighbor）、AdaBoost回歸（AdaBoostregressor）、卷積神經(jīng)網(wǎng)絡(luò)（convolution-al neural networks，CNN）、線性回歸（linear regres-sion）等7種估算模型對(duì)葉綠素a濃度進(jìn)行估算，并使用相同的測(cè)試集（28個(gè)）進(jìn)行精度評(píng)價(jià)。通過(guò)與本文深度神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比可以看出，BO-DNN方法得到的預(yù)測(cè)結(jié)果誤差最小，與實(shí)測(cè)值吻合度高，為最優(yōu)模型（表4和圖5）。

2.3樣本復(fù)雜度

為了驗(yàn)證不同樣本量大小的情況下，深度學(xué)習(xí)估算模型的準(zhǔn)確度性能，本文在保持測(cè)試集不變的情況下，隨機(jī)選擇訓(xùn)練樣本量的 25%.50%.75% ，即28、57、85個(gè)樣本構(gòu)建葉綠素a濃度的估算模型，并進(jìn)行精度評(píng)價(jià)。結(jié)果見(jiàn)表5，當(dāng)訓(xùn)練樣本量為原始訓(xùn)練樣本量的 75%（85 個(gè)）時(shí)，葉綠素a濃度的估算擬合優(yōu)度為0.85，之后精度變化并不明顯，表明本文深度學(xué)習(xí)方法模型性能雖然會(huì)隨著訓(xùn)練數(shù)據(jù)量的增加而繼續(xù)改善，但改善效果已不顯著。當(dāng)樣本量減少到50%（57 個(gè)）時(shí)，模型的擬合優(yōu)度為0.66，當(dāng)樣本量繼續(xù)減少到 25%（28 個(gè)）時(shí)，估算擬合優(yōu)度為0.47。該結(jié)果表明，當(dāng)樣本量減少時(shí)，模型的擬合優(yōu)度降低明顯，這與數(shù)據(jù)量的偏少存在一定的關(guān)系。

2.4模型適用性

為了驗(yàn)證模型對(duì)不同時(shí)間段水體的估算效果，本文對(duì)2021年9月17日研究區(qū)A的無(wú)人機(jī)影像進(jìn)行葉綠素a濃度的估算，提取了采樣點(diǎn)位置的估算結(jié)果值，并與19個(gè)未參與模型訓(xùn)練的實(shí)測(cè)值進(jìn)行對(duì)比，驗(yàn)證模型的適用性。從結(jié)果（圖6中可以看出，雖然在某些點(diǎn)上葉綠素a濃度的實(shí)測(cè)值和預(yù)測(cè)值會(huì)存在一定的偏差，但濃度趨勢(shì)變化及濃度大小基本保持一致，表明本文的葉綠素a濃度估算模型對(duì)于不同時(shí)期的數(shù)據(jù)具有一定的適用性。

2.5南淝河典型河段葉綠素a濃度時(shí)空分布

本文使用構(gòu)建好的葉綠素a濃度估算模型對(duì)南淝河研究區(qū)A的三景影像和研究區(qū)B的兩景影像進(jìn)行了估算，并按照5個(gè)等級(jí)進(jìn)行劃分，顏色設(shè)置由藍(lán)色到深紅色，顏色越深，表明葉綠素a的濃度越高，然后基于估算結(jié)果分析南淝河典型河段的葉綠素a濃度時(shí)空分布變化，研究區(qū)A的結(jié)果見(jiàn)圖7，河道截?cái)嗖糠譃闃蛄?，該部分無(wú)人機(jī)影像無(wú)法拍攝

從估算結(jié)果中可以看出，不同時(shí)段南淝河研究區(qū)A葉綠素a的濃度最低值和最高值差異不大，最低為 0.0052mg/L ，最高為 1.0026mg/L 。其中2020年8月19日葉綠素a濃度為 0.0050～1.0026mg/L ，在空間分布上呈現(xiàn)出上游低下游高的特點(diǎn)。2021年6月11日葉綠素a濃度為 0.0050～1.0025mg/L ，整體濃度較上一次有所降低，空間分布上呈現(xiàn)出上游部分水域較高，其余水域都維持在 0.1419mg/L 以下。2021年9月17日葉綠素a濃度為 0.0052～1.0025mg/L ，同2021年6月11日的估算結(jié)果趨勢(shì)基本一致，整體估算濃度值較2021年6月11日的結(jié)果更低，空間上同樣呈現(xiàn)出上游部分水域較高，其余水域葉綠素a濃度都較低的特點(diǎn)。

由圖7估算結(jié)果可知，葉綠素a濃度在研究區(qū)A的時(shí)空分布上呈現(xiàn)出一定的特點(diǎn)，主要原因有2020年8月19日天氣炎熱，是藍(lán)藻暴發(fā)的高峰期，結(jié)合當(dāng)時(shí)的無(wú)人機(jī)高分辨率影像可以發(fā)現(xiàn)，該時(shí)期有明顯的藍(lán)藻暴發(fā)跡象，葉綠素a濃度明顯偏高。除此以外，下游水域臨近商業(yè)步行街，葉綠素a濃度較高的兩處水域分別有通往商業(yè)步行街的天橋，人流量極大，因此該段水域葉綠素明顯偏高。2021年9月17日和2021年6月11日的葉綠素a濃度較高區(qū)域主要分布在上游小部分水域和橋梁的兩側(cè)，該段水域周邊以城市公園、居民住宅區(qū)和商業(yè)步行街為主，經(jīng)過(guò)調(diào)查發(fā)現(xiàn)研究區(qū)A的上游水域周邊為逍遙津公園和城市道路，水質(zhì)受人為干擾較小，而南淝河研究區(qū)A自董鋪水庫(kù)建成以來(lái)該區(qū)域已成為封閉式水域，橋梁兩側(cè)污染物質(zhì)聚集是造成該水域葉綠素a濃度明顯偏高的主要原因。

南淝河研究區(qū)B的葉綠素a濃度分布趨勢(shì)見(jiàn)圖8，該河段葉綠素a濃度為 0.0050～1.0026mg/L 。其中，2020年11月13日，河道兩岸、河道中間部分水域以及支流交匯處葉綠素a濃度較高；2021年9月17日，河道中游部分、下游河道中間以及直流交匯處葉綠素a濃度較高，其余水域葉綠素a濃度水平較低。

南淝河研究區(qū)B臨近巢湖入湖口，其中河段的上游部分有合肥港，因此該河段是一條重要的水運(yùn)航道，船只的航行對(duì)于河道水質(zhì)有一定的影響，其次研究區(qū)B周邊多為農(nóng)業(yè)耕地，存在大量農(nóng)田和種植果園，農(nóng)藥和化肥的過(guò)度使用通過(guò)地表徑流和地下滲透會(huì)使水域營(yíng)養(yǎng)物質(zhì)增高，導(dǎo)致富營(yíng)養(yǎng)化，影響葉綠素a的濃度。

3結(jié)論

（1）選擇 65/63，62/63，（61+65）/63 等相關(guān)系數(shù)較高的波段組合作為模型的輸入特征，基于深度神經(jīng)網(wǎng)絡(luò)和貝葉斯優(yōu)化算法建立BO-DNN模型。BO-DNN模型的決定系數(shù)較高 （R²=0.91） ，平均絕對(duì)誤差 （E_MA=0.018mg/L） 和均方根誤差較低 （E_RMS= 0.035mg/L） ，表明本文采用的深度學(xué)習(xí)算法相較于當(dāng)前水質(zhì)估算領(lǐng)域的其他熱門算法，模型性能良好、精度高。

（2）BO-DNN模型訓(xùn)練樣本大于或等于總樣本的 75% 時(shí)，模型精度變化不顯著；當(dāng)訓(xùn)練樣本持續(xù)減少至 50% 和 25% 時(shí)，模型的精度明顯下降，說(shuō)明樣本集的增加總體可提高模型的準(zhǔn)確度。

（3）南淝河典型河段葉綠素a濃度空間分布差異明顯。研究區(qū)A葉綠素a高濃度區(qū)域集中在橋梁兩側(cè)及下游水域，受人為干擾和污染物堆積影響；研究區(qū)B葉綠素a高濃度區(qū)域主要在河道兩岸、中部水域及支流交匯處，這與農(nóng)業(yè)化肥和農(nóng)藥通過(guò)地表滲流、地下滲透，以及船舶航行污染物排放有關(guān)。

當(dāng)然，本文仍存在一些問(wèn)題及需要克服的困難。由于數(shù)據(jù)采集困難，地面采樣點(diǎn)數(shù)量較少且分布不夠均勻，限制了模型訓(xùn)練效果和適用性。下一步需開(kāi)展不同季節(jié)、不同水域的多次采樣，以期建立更精確、適用性更強(qiáng)的反演模型。

參考文獻(xiàn)

陳水勇，吳振明，俞偉波，等，1999.水體富營(yíng)養(yǎng)化的形成、危 害和防治[J].環(huán)境科學(xué)與技術(shù)，（2）：12-16.

CHENSY，WUZM，YUWB，etal，1999.Formation，harmfulness，prevention，control and treatment of waters eutrophication[J].Environmental Science and Technology， （2）：12-16.

但雨生，周忠發(fā)，李韶慧，等，2020.基于Sentinel-2的平寨水 庫(kù)葉綠素a濃度反演[J].環(huán)境工程，38（3）：180-185，127.

DANYS，ZHOUZF，LISH， etal，2020.Retrieval of chlorophyll-a concentraton in Pingzhai reservoir based on Sentinel-2[J]. Environmental Engineering，38（3）：180-185，127.

何捷，蔡春芳，陳雯，等，2019.陽(yáng)澄西湖及其入湖港口的水質(zhì) 評(píng)價(jià)與分析[J].水生態(tài)學(xué)雜志，40（3）：25-32.

HE J， CAI C F， CHEN W， et al， 2019.Assessment and analysis ofwaterqualityinwest Yangchenglakeand inlets based on principal component analysis[J]. Journal of Hydroecology，40（3）： 25-32.

黃振輝，楊小紅，王力哲，等，2024.小樣本下大冶湖非光學(xué)活 性水質(zhì)參數(shù)反演與時(shí)空變化分析[J].長(zhǎng)江流域資源與環(huán) 境，33（1）：102-113.

HUANG ZH，YANGXH，WANGL Z，etal，2024.Inversion and spatiotemporal variation of non-opticallyactivewater quality parameters in Daye Lake with small samples[J]. Resources and Environment in the Yangtze Basin，33（1）： 102-113.

焦紅波，查勇，李云梅，等，2006.基于高光譜遙感反射比的太湖 水體葉綠素a含量估算模型[J].遙感學(xué)報(bào)，10（2）：242-248.

JIAO HB， ZHA Y， LIY M， et al， 2006. Modelling chlorophylla concentration in Taihu Lake from hyperspectral reflectance data[J]. Journal of remote sensing， 10（2）：242-248.

劉彥君，夏凱，馮海林，等，2019.基于無(wú)人機(jī)多光譜影像的小 微水域水質(zhì)要素反演[J].環(huán)境科學(xué)學(xué)報(bào)，39（4）：1241- 1249.

LIUYJ，XIA K，F(xiàn)ENG HL，etal，2019. Inversion of water quality elements in small and micro-size water region using multispectral image by UAV[J]. Acta Scientiae Circumstantiae， 39（4）：1241-1249.

羅小波，謝天授，董圣賢，2023.基于無(wú)人機(jī)多光譜影像的柑橘 冠層葉綠素含量反演[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，54（4）：198-205.

LUO X B， XIE T S， DONG S X， 2023. Estimation of citrus canopy chlorophyll based on UAV multispectra lmages[J]. Transactions of the Chinese Society for Agricultural Machinery， 54（4）：198-205.

馬豐魁，姜群鷗，徐藜丹，等，2020.基于BP神經(jīng)網(wǎng)絡(luò)算法的 密云水庫(kù)水質(zhì)參數(shù)反演研究[J].生態(tài)環(huán)境學(xué)報(bào)，29（3）： 569-579.

MA F K， JIANG Q O， XU L D， et al， 2020. Retrieval of water quality parameters based on BP neural network algorithm in Miyun Reservoir[J]. Ecology and Environmental Sciences， 29（3）：569-579.

孫世舉，徐浩，吳艷蘭，等，2023.基于 Sentinel-2衛(wèi)星遙感影 像的巢湖及南淝河葉綠素a濃度反演[J].水生態(tài)學(xué)雜 志，44（5）：58-66.

SUN SJ，XUH，WUYL，etal，2023.Estimation of Chloro phyll-a Concentration in Chaohu Lake and Nanfei RiverBased on Sentinel-2 Satellite Remote Sensing Imagery[J]. Journal of Hydroecology， 44（5）：58-66.

徐鵬飛，程乾，金平斌，2021.基于神經(jīng)網(wǎng)絡(luò)模型的千島湖清 潔水體葉綠素a遙感反演研究[J].長(zhǎng)江流域資源與環(huán) 境，30（7）：1670-1679.

XU PF， CHENG Q， JIN P B，2021. Inversion of chlorophyll-a of clean water in Qiandao Lake with remote sensing data using the neural network[J]. Resources and Environment in the Yangtze Basin， 30（7）：1670-1679.

楊振，盧小平，武永斌，等，2020.無(wú)人機(jī)高光譜遙感的水質(zhì)參 數(shù)反演與模型構(gòu)建[J].測(cè)繪科學(xué)，45（9）：60-64，95.

YANG Z， LU X P，WU Y B， 2020. Retrieval and model construction of water quality parameters for UAV hyperspectral remote sensing[J]. Science of Surveying and Map ping， 45（9）：60-64，95.

章佩麗，宋亮楚，王昱，等，2022.基于無(wú)人機(jī)多光譜的城市水 體典型河道水質(zhì)參數(shù)反演模型構(gòu)建[J].環(huán)境污染與防 治，44（10）：1351-1356.

ZHANG PL， SONG L C， WANG Y， et al， 2022. Bstablishment of inversion model for water quality parameters in typical urban rivers hased on unmanned aerial vehiclemultispectral data [J]. Environmental Pollution and Control， 44（10）： 1351-1356.

趙琳，2023.基于多光譜遙感技術(shù)的白洋淀水質(zhì)演變監(jiān)測(cè)方 法研究[J].現(xiàn)代信息科技，7（3）：106-109.

ZHAO L，2023. Study on monitoring method for water quality evolution in baiyang lake based on multispectral remote sensing technology[J]. Modern Information Technology，7 （3）：106-109.

DUNFORD R，MICHEL K， GAGNAGE M， et al， 2009. Potential and constraints of Unmanned Aerial Vehicle technology for the characterization of Mediterranean riparian forest [J]. International Journal of Remote Sensing，30（19）：4915- 4935.

GUILLEN-CLIMENT ML， ZARCO-TEJADA P J， BERNI J A J， et al，2012.Mapping radiation interception inrow-structured orchards using 3D simulation and high-resolution airborne imagery acquired from a UAV[J]. Precision Agriculture， 13（4）：473-500.

HINTON G， DENG L，YU D， et al， 2012. Deep neural networks for acoustic modeling in speech recognition： the shared views of four research groups[J]. IEEE Signal Processing Magazine， 29（6）：82-97.

LECUN Y， BENGIO Y， HINTON G， 2015. Deep learning[J]. Nature， 521（7553）：436-444.

MATHEW M M， RAO N S，MANDLA V R， 2017. Development of regression equation to study the Total Nitrogen， Total Phosphorus and Suspended Sediment using remote sensing data in Gujarat and Maharashtra coast of India[J]. Journal of Coastal Conservation，21（6）：917-927.

MOHSEN A， ELSHEMY M， ZEIDAN B， 2021. Water quality monitoring of Lake Burullus （Egypt） using Landsat satellite imageries[J]. Environmental Science and Pollution Research，28（13）：15687-15700.

MOSES W J， MILLER W D， 2019. Editorial for the Special Issue \"Remote Sensing of Water Quality\"[J]. Remote Sensing， 11（18）：2178.

PAGE B P， OLMANSON L G，MISHRAD R， 2019.A harmonized image processing workflow using Sentinel-2/MSI and Landsat-8/OLI for mapping water clarity in optically variable lake systems[J]. Remote Sensing of Environment， 231：111284.

PAHLEVAN N， SARKAR S， FRANZ B A， et al， 2017. Sentinel-2 MultiSpectral Instrument （MSI） data processing for aquatic science applications： demonstrations and validations[J]. Remote Sensing of Environment， 201：47-56.

PYO J， DUAN H T， BAEK S， et al， 2019. A convolutional neural network regression for quantifying cyanobacteria using hyperspectral imagery[J]. Remote Sensing of Environment， 233：111350.

QI C H，HUANG S，WANG X F， 2020. Monitoring water qualityparametersofTaihu Lakebased onremotesensingimages and LSTM-RNN[J]. IEEE Access，8：188068- 188081.

SHIK，LIY，LIL，etal，2013.Remotechlorophyll-a estimates forinlandwatersbasedonacluster-basedclassification [J]. Science of the Total Environment， 444：1-15.

SNOEKJ，AROCHELLEH，AAMSRP，etal，2012.racticalBayesianoptimizationofmachine learningalgorithms [C]//Proceedings of the 26th International Conference on Neural Information ProcessingSystems-Volume2.Lake Tahoe，Nevada，ACM：2951-2959.

XUEY，ZHUL，ZOUB，etal，2021.Researchoninversion

mechanism ofchlorophyll：a concentration in waterbodies using a convolutional neural network model[J]. Water， 13（5）：664.

YINGH，XIAK，HUANGX，etal，2021.Evaluationofwater quality based onUAV imagesand the IMP-MPP algorithm [J].Ecological Informatics，61：101239.

YUEJ，YANGG，TIANQ，etal，2019.Estimate ofwinterwheat above-ground biomass based on UAV ultrahighground-resolution image textures and vegetation indices [J]. ISPRS Journal of Photogrammetry and Remote Sensing，150：226-244.

（責(zé)任編輯熊美華）

Inverse Model Researchof Chlorophyll-a Concentration Based on UAVMultispectral Data-A Case StudyofNanfei River

XUSheng1，QIANZhenbing1，QINJun1，WANGBiao2

（1.Anhui Ecological and Environment Monitoring Center， Hefei 230071，P.R. China 2. School of resources and environmental engineering，Anhui University，Hefei 23oo39，P.R.China）

Abstract： Chlorophyl-a concentration is a critical indicator of eutrophication and evaluating the trophic status of urban rivers is critical for ecological and environmental protection.We selected two representative sections of Nanfei River in Hefei City for a case study and established a Bayesian-optimized deep neural network （BO-DNN） model to estimate the chlorophyll-a concentration using remote sensing. The model was based on UAV （unmanned aerial vehicle） multispectral remotely sensed images and water quality data measured in-situ in the two river sections.Section A，located in the old urban area， is surrounded by commercial-residential zones and urban parks and Section B is near where the river flows into Chaohu Lake and adjacent to cultivated agricultural land. In August 2O20， June and September 2021， November 2020 and September 2021， water samples and UAV multispectral images were collected at sites A and B. Pearson correlation analysis was used to identify sensitive spectral bands and the band combination exhibiting the highest correlation with chlorophyl-a concentration was selected.The chlorophyll-a concentrations at161 sampling points were determined，and the chlorophyll-a concentrations collcted from Study Area A on September 17，2021，were designated as the validation set.The remaining 142 datasets were partitioned in an 8：2 ratio， with 80% （114 samples） randomly selected as the training set and the remaining 20% （28 samples） allocated as the test set. The model estimated chlorophyll-a accurately and was robust， with a high determination coefficient （R²=0.91 ）， and low mean absolute error （E_MA=0.018mg/L） （2 and root mean square error （ （E_RMS=0.035mg/L） ）. The chlorophyll-a concentrations estimated using the UAV remote sensing，deep learning-based model were highly consistent with those obtained by analyzing field samples. Further， when the training set was greater than or equal to 75% of the total sample set， the accuracy of BO-DNN model showed little variation. However， as the training set decreased to 50% and 25% ， the model accuracy significantly declined， indicating that increasing training set size improved model accuracy.Spatial analysis showed that chlorophyll-a concentration in Nanfei River varied significantly. The high concentration areas in Section A were distributed on both sides of the bridge and in downstream waters influenced by human activities and pollutant inputs.The high concentration areas in Section B were also along both banks ofthe river，near the section center，and at the confluence of tributaries，with pollutant inputs primarily from nonpoint source （PS）agricultural pollution and ship discharges.This study fully assessed the potential of using data from UAV remote sensing images and a BO-DNN model to estimate chlorophyll-a concentration. The results clearly show that it is an effective， efficient method of monitoring chlorophyll-a concentration and trophic status to better manage urban river water quality.

Key words ： inversion of chlorophyll-a concentration; deep learning; drone remote sensing; Nanfei River