【水質(zhì)檢測(cè)在水環(huán)境保護(hù)中的應(yīng)用研究文獻(xiàn)綜述2100字】

水質(zhì)檢測(cè)在水環(huán)境保護(hù)中的應(yīng)用研究國(guó)內(nèi)外文獻(xiàn)綜述水體物質(zhì)濃度的差異會(huì)造成對(duì)水體表面入射光吸收和散射程度的不同，直接影響著水色、反射率、透明度等水體表觀(guān)參數(shù)。不同的元素及它們的化合物具有獨(dú)特的光譜特征，通過(guò)分析水體的光譜，就能夠獲取水中各種浮游植物和溶解、懸浮物質(zhì)的成分信息。因此，通過(guò)遙感技術(shù)分析光譜特征反演水質(zhì)參數(shù)是水質(zhì)遙感定量監(jiān)測(cè)的主要技術(shù)依據(jù)。目前常用的水質(zhì)遙感監(jiān)測(cè)方法主要可以歸納為分析方法、經(jīng)驗(yàn)方法和半經(jīng)驗(yàn)方法[3]。分析方法的依據(jù)是輻射傳輸理論，主要根據(jù)遙感光譜反射率計(jì)算水體的吸收系數(shù)與后向散射系數(shù)等參數(shù)，并參考待測(cè)水質(zhì)成分的吸收系數(shù)與后向散射系數(shù)特點(diǎn)，與計(jì)算的水體系數(shù)相聯(lián)系，反演出水質(zhì)參數(shù)的濃度。該方法具有普適性，但因涉及到水體的多種光學(xué)特性而相對(duì)復(fù)雜，實(shí)際使用有限。經(jīng)驗(yàn)方法計(jì)算水質(zhì)參數(shù)實(shí)地采樣值與反射率之間的相關(guān)程度，分析敏感波段，對(duì)實(shí)測(cè)值與特征波段或波段組合進(jìn)行統(tǒng)計(jì)分析，從而建立反演算法，不對(duì)水質(zhì)參數(shù)的光譜特征知識(shí)和建立的統(tǒng)計(jì)關(guān)系給出物理解釋。半經(jīng)驗(yàn)方法綜合利用物理知識(shí)和光譜信息來(lái)開(kāi)發(fā)算法，將它們與被測(cè)成分相關(guān)聯(lián)，得到的統(tǒng)計(jì)系數(shù)通常與特定的區(qū)域和時(shí)間相關(guān)。表1.1三種水質(zhì)參數(shù)估計(jì)方法對(duì)比方法優(yōu)勢(shì)缺點(diǎn)分析方法依據(jù)物理機(jī)理建模，具有普適性建模難度大經(jīng)驗(yàn)方法算法較成熟，建模簡(jiǎn)單無(wú)法給出物理解釋?zhuān)痪哂衅者m性半經(jīng)驗(yàn)方法有一定的物理依據(jù)某些場(chǎng)合下建模復(fù)雜，不具有普適性表1.1中歸納總結(jié)了三種水質(zhì)參數(shù)遙感估計(jì)方法的優(yōu)缺點(diǎn)，由于分析方法建模難度大，使用有限，目前的研究仍以經(jīng)驗(yàn)方法和半經(jīng)驗(yàn)方法為主，包括傳統(tǒng)回歸算法、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)模型等。其中，傳統(tǒng)的回歸建模算法根據(jù)波段與水質(zhì)實(shí)測(cè)值的相關(guān)性，選擇水質(zhì)參數(shù)的敏感波段（特征波段或波段組合）構(gòu)建待測(cè)成分與光譜特征之間的統(tǒng)計(jì)關(guān)系。2016年，Yu等人就利用MODIS數(shù)據(jù)的可見(jiàn)光/近紅外波段組合，使用多元逐步線(xiàn)性回歸算法建立了渤海溶解無(wú)機(jī)氮濃度估計(jì)模型[4]。與傳統(tǒng)方法相比，人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetwork，ANN)需要較少的先驗(yàn)假設(shè)，當(dāng)數(shù)據(jù)之間的潛在關(guān)系難以描述時(shí)，人工神經(jīng)網(wǎng)絡(luò)模型仍然有效，適合解決非線(xiàn)性和不確定問(wèn)題。2016年，Nazeer和Nichol應(yīng)用多層感知器神經(jīng)網(wǎng)絡(luò)完成了對(duì)光譜特征與沿海復(fù)雜水體中葉綠素a和總懸浮物濃度非線(xiàn)性關(guān)系的構(gòu)建[5]。作為光合作用的催化劑，葉綠素a(Chlorophyll-a，Chl-a)與水體中藻類(lèi)的現(xiàn)存量直接相關(guān)，是描述內(nèi)陸水環(huán)境生物物理狀態(tài)、水質(zhì)污染影響的關(guān)鍵指標(biāo)，監(jiān)測(cè)水中葉綠素a的濃度狀態(tài)能夠?qū)崿F(xiàn)對(duì)水體營(yíng)養(yǎng)狀態(tài)、赤潮和水華情況的間接預(yù)測(cè)。自上世紀(jì)70年代末以來(lái)，眾多研究一直致力于水體葉綠素a濃度估計(jì)算法的開(kāi)發(fā)，隨著計(jì)算能力的增強(qiáng)和機(jī)器學(xué)習(xí)的發(fā)展，目前對(duì)清澈海水中葉綠素a濃度的估計(jì)已取得了較高的精度。然而，對(duì)于內(nèi)陸和沿海水域，除了浮游植物外，其光學(xué)特性還由溶解有機(jī)物、顆粒有機(jī)物和無(wú)機(jī)顆粒物質(zhì)的混合物決定[6]。因此，對(duì)葉綠素a濃度的測(cè)定更加復(fù)雜，針對(duì)清澈海洋開(kāi)發(fā)的葉綠素a估計(jì)算法并不適用于內(nèi)陸和沿海水域。并且，由于內(nèi)陸水域的光學(xué)復(fù)雜性，全樣本單一模型的水質(zhì)參數(shù)估計(jì)無(wú)法達(dá)到足夠高的精度[5]。另一種估計(jì)復(fù)雜水域中水質(zhì)參數(shù)的思路是將具有相似光學(xué)特性的水樣分類(lèi)，并為每一類(lèi)水體單獨(dú)建立合適的估計(jì)模型，以提升水質(zhì)參數(shù)估計(jì)的準(zhǔn)確性。閾值分割是一種對(duì)水體進(jìn)行光學(xué)分類(lèi)的有效方法，分類(lèi)前需要對(duì)全體樣本點(diǎn)進(jìn)行分析，依據(jù)經(jīng)驗(yàn)知識(shí)和物理機(jī)理，通過(guò)分析樣本光譜反射曲線(xiàn)形狀特征，歸納具有相似的光學(xué)特性的樣本點(diǎn)，確定水體類(lèi)型?；诿恳活?lèi)水體中物質(zhì)成分的差異，選取一個(gè)或多個(gè)可以表征幾類(lèi)水體不同特點(diǎn)的參數(shù)（往往是與某些水質(zhì)參數(shù)相關(guān)的特定波段或波段組合）進(jìn)行定量分析，比較該參數(shù)在事先定義的不同水體類(lèi)型樣本中的取值，最終確定分割的閾值。2018年，Du等人就根據(jù)以往的研究與分析，總結(jié)出基于Ln(Rrs700/Rrs675)波段比的水體分類(lèi)方法，將水體劃分為非藻類(lèi)顆粒為主或浮游植物為主的兩類(lèi)[7]。當(dāng)選擇多個(gè)參數(shù)進(jìn)行水體閾值分類(lèi)時(shí)，往往將多個(gè)閾值與決策樹(shù)模型聯(lián)系起來(lái)應(yīng)用。2015年，況潤(rùn)元等人基于實(shí)測(cè)數(shù)據(jù)與LandsatOLI影像，應(yīng)用多段閾值構(gòu)建了基于斜率的決策樹(shù)模型，將鄱陽(yáng)湖水體安裝劃分為具有不同渾濁程度的5類(lèi)水體[8]。2019年，張等人開(kāi)發(fā)了一種基于軟分類(lèi)的估計(jì)方法，該方法使用決策樹(shù)方法將研究區(qū)域劃分為三個(gè)OWT，并將每個(gè)OWT的估計(jì)結(jié)果與加權(quán)平均值混合[9]。一般情況下，不同研究建立的閾值分割模型是不同的，水體閾值分割中常采用的參數(shù)包括反射比、反射率波谷、光譜反射曲線(xiàn)斜率等，確定參數(shù)與閾值的過(guò)程較為復(fù)雜。大多閾值分割模型是基于局部或區(qū)域數(shù)據(jù)集確立，所建立的水體分類(lèi)方法無(wú)法適用于其他水域[10]。由于水質(zhì)具有高維、非線(xiàn)性等特點(diǎn)，也可以采用聚類(lèi)分析算法對(duì)光譜數(shù)據(jù)進(jìn)行無(wú)監(jiān)督分類(lèi)。如Nazeer和Nichol采用模糊C均值聚類(lèi)算法將水樣特性復(fù)雜的香港沿海水域分為了五類(lèi)，并采用神經(jīng)網(wǎng)絡(luò)進(jìn)行建模，分別對(duì)五類(lèi)水體中的葉綠素a濃度與總懸浮物濃度進(jìn)行估計(jì)，分類(lèi)建模的估計(jì)結(jié)果比全樣本建模的結(jié)果表現(xiàn)出更低的均方根誤差[5]。使用聚類(lèi)算法將水體分類(lèi)的過(guò)程較為簡(jiǎn)單，將具有相似光譜波段特征的水樣聚為一簇，一定程度