近日，西安交通大学海洋遥感团队在河流水质高光谱反演研究方面取得新进展。基于珠江口城市河流水质状况的研究表明，运用高光谱数据及机器学习算法相比传统水质反演算法，能够显著提升反演效果。相关研究论文Using machine learning algorithms with in-situ hyperspectral reflectance data to assess comprehensive water quality of urban rivers被《IEEE Transactions on Geoscience and Remote Sensing》期刊在线刊发，文章第一作者系西安交通大学人居环境与建筑工程学院博士生蔡建楠。西安交通大学陈军教授和中国科学院烟台海岸带研究所邢前国研究员为共同通讯作者。

珠江口地区河网密布，区域内诸多经济发达城镇因水而生、因水而兴。随着工业化、城市化的快速推进，珠江口各城市水环境承载的压力日趋加大，城市河流水质的监测和评估已成为各地生态环境保护的重要工作之一。受陆源物质大量输入和海洋潮汐因素的共同作用，珠江口城市河网水体水质特性时空变异大、水污染来源复杂，有着与内陆二类水体和开阔大洋水体不同的水体光学特征，传统的半经验、半分析或生物光学模型可能无法适用。因此，开展珠江口水体水质光学遥感研究具有良好的科学意义和现实价值。

 密切围绕该区域水质管理需求，2019年-2020年，西安交通大学海洋遥感团队联合中国科学院烟台海岸带研究所邢前国研究员团队在广东省中山市选择代表性河流进行水体高光谱反射率监测和同步水质监测。该研究通过选择不同类型城市河流进行水体高光谱反射率监测和同步水质监测，共获得了382个水质及光谱样品；结合该区域地表水污染物特点，选择COD、总磷、氨氮、和悬浮物四项水质指标构建河流水质指数WQI以表征河流水质状况。测定结果显示，样品水质差异巨大;但按不同WQI水平区分的样品高光谱反射率在幅度和形状上高度一致，不同水质样品的光谱特征没有显着差异。基于随机森林（RF）和一维卷积神经网络（1D-CNN）算法建立的高光谱数据与WQI反演模型显示，RF和1D-CNN算法在WQI反演中表现良好；1D-CNN模型的反演效果优于RF模型（最优模型R²=0.87），尤其对高WQI值样品具有更好的反演精度；而RF模型可以实现重要光谱波段（主要为 580-590 nm区间内，以及722 nm, 751nm, 821 nm, 830 nm附近波段）判别，有助于减少模型的输入特征数量，实现数据降维，从而提升模型的反演效果。研究结果揭示，水体高光谱反射率数据结合 1D-CNN 算法可用于快速准确地识别珠江口城市河流的综合水质状况。

s

                       研究团队开展水体高光谱测量和水质样品采集

本研究由政府间国际科技创新合作项目（2019YFE0127200,Chen），中国科学院重点仪器项目（YJKYYQ20170048,Xing），国家自然科学基金（42022045,Chen），中山市科技计划项目（2020B2019,Cai）等项目资助。

引用：

J. Cai, J. Chen, X. Dou and Q. Xing, "Using machine learning algorithms with in-situ hyperspectral reflectance data to assess comprehensive water quality of urban rivers," in IEEE Transactions on Geoscience and Remote Sensing, 2022. doi: 10.1109/TGRS.2022.3147695.