城市河流水资源是重要的生态资源，是城市生活和生态的根本保障。但是近年来，河流水污染问题日益突出，城市水污染监测、水体保护、生态系统健康动态监测以及修复方法已经成为研究热点。水质监测是水污染控制的基础。传统水质监测主要基于野外采样后的实验室检测和分析，由于空间布局和采样点密度限制，在分析污染物在水面的连续迁移过程或大面积污染时，难以获得反映整个水体生态环境的总时空数据。遥感技术因其快速、实时和非接触操作的独特优势，逐渐成为水质参数反演和水质监测的有效工具。其中，地面遥感监测技术以其小范围、高精度和点源信息获取等优点而取得较好效果。因此，该方法在小流域水质监测方面具有一定优势，可以实现河流水质单一指标的高精度定量反演。然而，基于地面遥感技术进行水质监测时，还存在以下问题亟待解决。一是反演水质指标过于简单，反演精度较低，无法充分反映河流水质信息。其次，常用的回归和反演模型种类繁多，但对相关算法应用效果的系统比较和科学评估较少。因此，急需通过对比分析研究，为模型合理选择提供决策支持，提高水质反演效果。
基于此，在本研究中，一组研究团队以邯郸市滏阳河为研究对象，通过室内测量获取水样的高光谱数据（ASD FieldSpec 4光谱仪）以及通过化学实验获取相应水质检测结果。然后引入偏最小二乘法（PLS）、随机森林（RF）和最小绝对值收敛和选择算子（Lasso）建立样本高光谱数据和6个对应水质参数（浊度（Turb）、悬浮物（SS）、化学需氧量（COD）、NH4-N、总氮（TN）、总磷（TP））的拟合模型，并进行验证和评估。在考虑高光谱数据非线性特性的基础上，上述三种算法的应用重点是消除数据之间可能存在的多重共线效应以及消除多种水质参数数据经光谱转换后可能存在的稀疏数据结构的影响。本文研究目的是寻找最佳反演算法，探讨高光谱监测技术代替实验室理化指标测试的可行性，评估反演模型对水质变化的预测效果。为城市河流水质监测提供更方便、更经济、更广泛的方法。
图1 目标研究区水样收集断面分布图。
图2 研究方法流程图。
【结果】
表1 PLS模型及其估算精度
表2 Lasso模型及其估算精度
表3 RF模型及其估算精度
表4 水质参数最佳回归模型以及估算精度
【结论】
研究结果表明PLS模型对Turb，SS，COD，TN和TP的回归精度较好，但泛化性较差；RF模型对Turb，SS，COD，NH4-N和TP的预测效果优于PLS模型，具有更好的普适性；Lasso模型对COD，TN和TP有机污染物的反演效果最好，但对SS和NH4-N的反演效果较差。
结果表明地面高光谱数据可以准确反演水体污染状况，实现大尺度、多参数水质监测。三种非线性反演算法具有较强的拟合能力，尤其是RF模型和Lasso模型在适用性和预测精度上相得益彰。与传统的回归模型PLS相比，机器学习算法综合实力更强，是城市河流水质参数分类、反演和预测的有效方法。提供了更高的反演精度和更好的鲁棒性。
由于采集样本数据的限制，本研究仅分析了光谱和相应水质之间的关系。此外，讨论了三种算法的反演精度。对于后续研究，在更多补充数据的基础上，研究组将重点关注以下几个方面：一是研究不同时间条件下水质参数的变化规律；二是研究同一水质参数在不同采集位置相同时的光谱敏感波段。然后进一步探索不同采样周期下是否具有相同规律；三是进一步研究不同污染条件下基于光谱信息的污染状态反演精度和迁移规律反演能力。
请点击下方链接，阅读原文：
https://mp.weixin.qq.com/s?__biz=MjM5NjE1ODg2NA==&mid=2650313508&idx=2&sn=b242d483a71593834b083cdb03be74a8&chksm=bee1bfdb899636cd7054f192f33458fbbd1af4e756d26cdec06222c8aadfb877d7ccdc15fd8c&token=1784787764〈=zh_CN#rd