基于多源監(jiān)測與數(shù)據(jù)融合的水質(zhì)動(dòng)態(tài)評價(jià)方法

司源 董飛 廉秋月

摘 要：水環(huán)境精細(xì)化管理對水資源質(zhì)量評價(jià)的精度和時(shí)效性提出了更高要求。我國在長期水環(huán)境監(jiān)測體系建設(shè)過程中積累了大量數(shù)據(jù)，迫切需要研究建立基于多源監(jiān)測與數(shù)據(jù)融合的水質(zhì)動(dòng)態(tài)評價(jià)關(guān)鍵技術(shù)。系統(tǒng)論述了實(shí)施水質(zhì)動(dòng)態(tài)評價(jià)的支撐條件，總結(jié)了數(shù)據(jù)有效利用方面存在的數(shù)據(jù)孤島現(xiàn)象較明顯、數(shù)據(jù)共享不暢通、數(shù)據(jù)有機(jī)融合不充分等不足，梳理了多源數(shù)據(jù)融合的加權(quán)平均法、卡爾曼濾波、D-S證據(jù)理論、粗糙集理論等主要技術(shù)方法，分類綜述了地面數(shù)據(jù)融合、地空數(shù)據(jù)融合、多源遙感數(shù)據(jù)融合等多源數(shù)據(jù)融合技術(shù)在水質(zhì)監(jiān)測評價(jià)領(lǐng)域的研究現(xiàn)狀和應(yīng)用前景，并提出了相關(guān)對策建議。

關(guān)鍵詞：多源數(shù)據(jù);數(shù)據(jù)融合;水質(zhì)監(jiān)測;水質(zhì)評價(jià);水質(zhì)預(yù)測;預(yù)警

Abstract：The precision and time-effectiveness of water quality evaluation are required by the delicacy management of water environment. China has accumulated a large amount of data in the long-term construction of the water environment monitoring system， so it is urgent to study and establish key technologies for dynamic water quality evaluation based on multi-source monitoring and data fusion. This paper systematically discussed the supporting conditions for the implementation of dynamic water quality evaluation and summarized the deficiencies in the effective use of data， such as obvious data island phenomenon， blocked data sharing and insufficient data fusion. Then we sorted out the main techniques and methods of multi-source data fusion， e.g.， Weighted Average Method， Kalman Filter， Dempster-Shafer Evidence Theory and Rough Set Theory. Moreover， we reviewed the research status and application prospect of multi-source data fusion technology in the field of water quality monitoring and evaluation by categories （i.e.， ground data fusion， ground-space data fusion and multi-source remote sensing data fusion） and finally put forward relevant countermeasures and suggestions.

Key words： multisource data; data fusion; water quality monitoring; water quality evaluation; water quality prediction; early warning

當(dāng)前我國水環(huán)境質(zhì)量狀況不容樂觀，水環(huán)境污染已成為新時(shí)期水安全保障面臨的主要問題之一。過去簡單、粗放式的水環(huán)境管理模式已難以滿足現(xiàn)階段水環(huán)境治理與保護(hù)的迫切需要，水環(huán)境精細(xì)化管理成為我國水環(huán)境管理發(fā)展的必然趨勢[1]。地表水資源質(zhì)量評價(jià)一般簡稱水質(zhì)評價(jià)，是根據(jù)地表水資源開發(fā)利用和保護(hù)要求，參考國家和有關(guān)部門制定的各類水質(zhì)標(biāo)準(zhǔn)，對地表水水質(zhì)狀況進(jìn)行的評價(jià)[2]。水質(zhì)評價(jià)是水環(huán)境管理的重要環(huán)節(jié)，通過對采集到的數(shù)據(jù)進(jìn)行水質(zhì)評價(jià)可以掌握當(dāng)前水體水質(zhì)狀況，預(yù)測未來水質(zhì)變化趨勢，從而為水資源合理利用、優(yōu)化配置和節(jié)約保護(hù)，以及水污染防治等決策工作提供科學(xué)支撐。

當(dāng)前，流域及區(qū)域地表水水質(zhì)評價(jià)工作主要是在年尺度上進(jìn)行的。在我國持續(xù)推進(jìn)水環(huán)境精細(xì)化管理的背景下，傳統(tǒng)水質(zhì)評價(jià)方法在時(shí)效性上存在一定短板，因缺乏對未來情勢的分析研判，難以支撐水質(zhì)動(dòng)態(tài)、精細(xì)和科學(xué)管理需求。信息技術(shù)的發(fā)展為提高水質(zhì)評價(jià)的時(shí)效性和預(yù)測預(yù)警能力提供了可能條件。為與新興水質(zhì)監(jiān)測手段和數(shù)據(jù)獲取方式相協(xié)調(diào)，迫切需要研究建立突破時(shí)空尺度局限性的水質(zhì)動(dòng)態(tài)評價(jià)關(guān)鍵技術(shù)。

1 實(shí)施水質(zhì)動(dòng)態(tài)評價(jià)的支撐條件與不足

1.1 支撐條件

（1）有關(guān)政策引領(lǐng)。2011年中央一號(hào)文件明確要求“加強(qiáng)水量水質(zhì)監(jiān)測能力建設(shè)，為強(qiáng)化監(jiān)督考核提供技術(shù)支撐”。2012年，國務(wù)院《關(guān)于實(shí)行最嚴(yán)格水資源管理制度的意見》提出將“健全水資源監(jiān)控體系”作為實(shí)行最嚴(yán)格水資源管理制度的重要保障措施[3]。近年來，水利部、生態(tài)環(huán)境部等有關(guān)部門在加強(qiáng)水資源、水環(huán)境、水生態(tài)監(jiān)測體系建設(shè)過程中開展了一系列相關(guān)工作，在提高監(jiān)測覆蓋范圍、監(jiān)測頻次、自動(dòng)化程度等方面進(jìn)行了大量有益探索。隨著監(jiān)測站網(wǎng)的不斷完善以及監(jiān)測技術(shù)手段的不斷革新，積累了大量多來源、多尺度、多類型的水環(huán)境監(jiān)測數(shù)據(jù)。為深入貫徹落實(shí)黨中央提出的“國家大數(shù)據(jù)戰(zhàn)略”、國務(wù)院印發(fā)的《促進(jìn)大數(shù)據(jù)發(fā)展行動(dòng)綱要》等系列決策部署，2016年，原環(huán)境保護(hù)部發(fā)布了《生態(tài)環(huán)境大數(shù)據(jù)建設(shè)總體方案》，要求把大數(shù)據(jù)技術(shù)作為推進(jìn)環(huán)境治理體系和治理能力現(xiàn)代化的重要手段，實(shí)現(xiàn)生態(tài)環(huán)境綜合決策科學(xué)化、生態(tài)環(huán)境監(jiān)管精準(zhǔn)化、生態(tài)環(huán)境公共服務(wù)便民化。2017年，水利部印發(fā)《關(guān)于推進(jìn)水利大數(shù)據(jù)發(fā)展的指導(dǎo)意見》，旨在推進(jìn)水利行業(yè)數(shù)據(jù)資源共享開放，促進(jìn)水利大數(shù)據(jù)發(fā)展與創(chuàng)新應(yīng)用，其中明確提出應(yīng)用現(xiàn)代化信息技術(shù)增強(qiáng)水環(huán)境監(jiān)測監(jiān)管能力是一項(xiàng)重點(diǎn)任務(wù)。

（2）水質(zhì)監(jiān)測技術(shù)發(fā)展。水質(zhì)監(jiān)測是水質(zhì)評價(jià)的基礎(chǔ)。水質(zhì)監(jiān)測的傳統(tǒng)方式是專業(yè)人員野外取樣后送到實(shí)驗(yàn)室進(jìn)行水質(zhì)項(xiàng)目分析化驗(yàn)，這種方式監(jiān)測項(xiàng)目全面、分析結(jié)果較為準(zhǔn)確，但耗時(shí)長、成本高，且受自然、氣候、水文等條件限制，難以長時(shí)間、大范圍、高頻次地跟蹤監(jiān)測。隨著科技迅猛發(fā)展，各類水質(zhì)監(jiān)測新興技術(shù)紛紛涌現(xiàn)。自動(dòng)在線監(jiān)測是把傳感器和自動(dòng)化分析儀組合起來，配套先進(jìn)的控制芯片、網(wǎng)絡(luò)通信和專業(yè)分析軟件，實(shí)現(xiàn)從水樣采集、分析到傳輸、處理以及存儲(chǔ)整個(gè)過程的高度自動(dòng)化[4]。自動(dòng)在線監(jiān)測方法信息獲取及時(shí)、預(yù)警能力強(qiáng)，但監(jiān)測項(xiàng)目少、儀器設(shè)備維護(hù)成本較高，且受儀器影響易出現(xiàn)數(shù)據(jù)異?，F(xiàn)象。遙感監(jiān)測是利用水體污染物在特定波長范圍對光吸收和反射特性的差異，通過遙感影像光譜特征識(shí)別污染物種類、范圍和濃度的技術(shù)[5]。遙感監(jiān)測方法具有覆蓋范圍廣、信息量大、效率高、成本低等優(yōu)點(diǎn)，但監(jiān)測項(xiàng)目少、精度偏低、適用性較差。此外，無人機(jī)、無人船等通過搭載高光譜傳感器和水質(zhì)參數(shù)分析儀對水體進(jìn)行監(jiān)測，從而實(shí)時(shí)監(jiān)控和掌握水體水質(zhì)的動(dòng)態(tài)信息，為水質(zhì)監(jiān)測提供了新的途徑[6]?？傮w而言，鑒于對水質(zhì)監(jiān)測數(shù)據(jù)準(zhǔn)確性和可靠性的要求，現(xiàn)階段水質(zhì)評價(jià)工作中仍以人工采樣數(shù)據(jù)為主，自動(dòng)在線監(jiān)測數(shù)據(jù)主要用于預(yù)報(bào)預(yù)警，衛(wèi)星遙感解譯監(jiān)測數(shù)據(jù)的應(yīng)用還處于研究探索階段。

1.2 不足之處

盡管我國在長期水環(huán)境監(jiān)測體系建設(shè)過程中積累了大量數(shù)據(jù)，但在數(shù)據(jù)有效利用方面存在不足，主要表現(xiàn)在以下幾方面。

（1）數(shù)據(jù)孤島現(xiàn)象較明顯。水環(huán)境監(jiān)測多是根據(jù)某一特定需求（如最嚴(yán)格水資源管理制度考核工作）開展的，并未將已獲得數(shù)據(jù)應(yīng)用于其他有關(guān)工作。這就造成本應(yīng)緊密聯(lián)系、相互配合的數(shù)據(jù)之間缺乏互通性，無法通過數(shù)據(jù)融合與挖掘獲取更有效、更全面的信息，不能為水環(huán)境全局管理提供多角度、多層面的信息服務(wù)。因不同目的重復(fù)監(jiān)測同一對象，也會(huì)增加不必要的人力、物力成本。

（2）數(shù)據(jù)共享不暢通。水環(huán)境數(shù)據(jù)長期以來分布在水利、環(huán)保、住建等部門，由于部門壁壘存在，因此數(shù)據(jù)共享存在固有困難，加之不同部門數(shù)據(jù)量、數(shù)據(jù)格式、存儲(chǔ)方式等均有較大差別，缺乏統(tǒng)一的數(shù)據(jù)標(biāo)準(zhǔn)和共享要求等，使得水環(huán)境數(shù)據(jù)共享渠道不暢通。

（3）數(shù)據(jù)有機(jī)融合不充分。不同監(jiān)測手段獲取的數(shù)據(jù)缺乏統(tǒng)一的數(shù)據(jù)審核規(guī)則和技術(shù)體系，水質(zhì)項(xiàng)目分析方法也存在差別，使有機(jī)融合存在一定困難?，F(xiàn)階段多源數(shù)據(jù)融合多是數(shù)據(jù)的疊加和匯總，實(shí)質(zhì)性融合較少，尚未充分發(fā)揮多源數(shù)據(jù)之間的優(yōu)勢互補(bǔ)作用。

2 多源數(shù)據(jù)融合方法

通過不同監(jiān)測手段獲取的數(shù)據(jù)既有相關(guān)性也有異構(gòu)性，并且難免存在不一致甚至矛盾之處。傳統(tǒng)數(shù)據(jù)處理方法在處理這類數(shù)據(jù)時(shí)具有一定局限性，為克服這一問題，多源數(shù)據(jù)融合理論應(yīng)運(yùn)而生。多源數(shù)據(jù)融合涉及多學(xué)科知識(shí)，不同學(xué)科對這一概念的定義有所不同，從廣義上來講，是指對多個(gè)來源的數(shù)據(jù)通過識(shí)別、關(guān)聯(lián)、估計(jì)、優(yōu)化組合等方式進(jìn)行處理，消除數(shù)據(jù)在時(shí)空維度上的冗余性、互斥性和不確定性，最終形成較單一數(shù)據(jù)來源更精細(xì)、更準(zhǔn)確、更可靠的統(tǒng)一表達(dá)的過程[7-8]。數(shù)據(jù)是信息的載體，對信息的自動(dòng)分析過程也是數(shù)據(jù)處理的過程，多源數(shù)據(jù)融合也稱多源信息融合（Multi-Source Information Fusion）、多傳感器信息融合（Multi-Sensor Data Fusion）等。Khaleghi等[7]認(rèn)為，數(shù)據(jù)融合技術(shù)面臨的主要挑戰(zhàn)源于輸入數(shù)據(jù)的缺陷性、相關(guān)性、不連續(xù)性和差異性，這也是數(shù)據(jù)融合算法研究需要攻克的主要問題，見圖1。

多源數(shù)據(jù)融合技術(shù)自20世紀(jì)70年代末興起，隨著信息技術(shù)的發(fā)展，新理論、新技術(shù)和新方法層出不窮，多源數(shù)據(jù)融合技術(shù)廣泛應(yīng)用于不同領(lǐng)域[9]。根據(jù)融合層次、算法概念、操作原理、發(fā)展脈絡(luò)等特征可以將數(shù)據(jù)融合技術(shù)方法劃分為不同類型[10-12]，見圖2。

（1）加權(quán)平均法。加權(quán)平均法是最簡單、最實(shí)用的數(shù)據(jù)融合方法。當(dāng)多個(gè)傳感器對同一個(gè)參數(shù)進(jìn)行測量時(shí)，數(shù)據(jù)融合時(shí)一般可以采用加權(quán)平均法。該方法的融合效果主要取決于權(quán)重分配。在已知傳感器精度的條件下，采用多元統(tǒng)計(jì)理論可以推導(dǎo)出多傳感器數(shù)據(jù)融合的最優(yōu)權(quán)重[13]。

（2）卡爾曼濾波?？柭鼮V波是目前應(yīng)用最廣泛的狀態(tài)估計(jì)算法。該方法的基本思想是，以最小均方誤差為最佳估計(jì)準(zhǔn)則，利用前一時(shí)刻的估計(jì)值和當(dāng)前時(shí)刻的觀測值更新對狀態(tài)變量的估計(jì)，通過循環(huán)遞歸來實(shí)現(xiàn)狀態(tài)預(yù)估和測量更新的擬合校驗(yàn)，從而對監(jiān)測數(shù)據(jù)誤差進(jìn)行濾波處理[14]?？柭鼮V波可以實(shí)時(shí)快速處理大量動(dòng)態(tài)數(shù)據(jù)，常用于不同來源觀測數(shù)據(jù)和數(shù)值模擬模型結(jié)果的融合[15]，通過修正數(shù)值模擬運(yùn)行軌跡，提高模擬精度。但在實(shí)際應(yīng)用中，可能因模型的不確定性、干擾信號(hào)統(tǒng)計(jì)特性不完全已知等因素導(dǎo)致算法誤差增大。

（3）D-S證據(jù)理論。D-S證據(jù)理論是一種處理不確定性推理問題的數(shù)學(xué)方法。其基本原理是將多源數(shù)據(jù)視為各個(gè)證據(jù)，利用Dempster組合規(guī)則進(jìn)行證據(jù)組合，并計(jì)算各個(gè)證據(jù)和證據(jù)組合后的基本可信度分配函數(shù)、信任度函數(shù)和似然函數(shù)，最后根據(jù)一定的目標(biāo)判定原則選擇證據(jù)聯(lián)合作用下支持度最大的假設(shè)，從而實(shí)現(xiàn)數(shù)據(jù)融合和決策選擇[16]。D-S證據(jù)理論技術(shù)成熟、應(yīng)用廣泛，是貝葉斯理論的廣義擴(kuò)展，但比貝葉斯理論對先驗(yàn)知識(shí)的要求低，因而在處理不確定性問題時(shí)更為簡單靈活[17]。缺點(diǎn)在于不能有效處理矛盾數(shù)據(jù)，當(dāng)證據(jù)間存在沖突時(shí)可能出現(xiàn)異常甚至錯(cuò)誤結(jié)果，此外，隨著數(shù)據(jù)和推理步數(shù)增加計(jì)算量呈冪指數(shù)增長，導(dǎo)致計(jì)算量爆炸。

（4）粗糙集理論。粗糙集理論主要用于對不精確、不完備、模糊數(shù)據(jù)進(jìn)行歸納學(xué)習(xí)從而發(fā)現(xiàn)隱含知識(shí)，目前已廣泛應(yīng)用于多指標(biāo)綜合評價(jià)。其主要思想是首先利用屬性約簡原理刪除冗余指標(biāo)，然后基于簡化后的信息表進(jìn)行規(guī)則提取，進(jìn)而完成知識(shí)庫的構(gòu)建[18]。粗糙集理論可以較好地解決時(shí)間序列數(shù)據(jù)中可能存在的時(shí)間不連續(xù)現(xiàn)象，消除數(shù)據(jù)沖突、約簡數(shù)據(jù)，減少后續(xù)數(shù)據(jù)處理的工作量，同時(shí)最大限度地保留原始數(shù)據(jù)信息。該方法優(yōu)點(diǎn)在于客觀性較強(qiáng)，無須先驗(yàn)知識(shí)，允許同時(shí)使用定性和定量數(shù)據(jù)，缺點(diǎn)是錯(cuò)誤判斷的決定性機(jī)制簡單，可能導(dǎo)致提取的決策規(guī)則不穩(wěn)定。

（5）人工神經(jīng)網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)近年來在多源數(shù)據(jù)融合研究領(lǐng)域發(fā)展迅速。人工神經(jīng)網(wǎng)絡(luò)是以網(wǎng)絡(luò)拓?fù)渲R(shí)為理論基礎(chǔ)，模擬人腦神經(jīng)系統(tǒng)對復(fù)雜信息處理機(jī)制的一種數(shù)學(xué)模型。該方法具有較強(qiáng)的自學(xué)習(xí)性、自組織性和良好的適應(yīng)性、容錯(cuò)性，其非線性映射能力能擬合任意復(fù)雜的非線性函數(shù)。目前應(yīng)用最廣泛且較成功的人工神經(jīng)網(wǎng)絡(luò)模型是BP神經(jīng)網(wǎng)絡(luò)模型[19]。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層、隱含層和輸出層，運(yùn)算包括信息的正向傳播和誤差的反向傳播兩部分，基本原理是利用梯度下降法求解使誤差函數(shù)最小的網(wǎng)絡(luò)權(quán)重最優(yōu)值[20]。BP神經(jīng)網(wǎng)絡(luò)模型各層神經(jīng)元個(gè)數(shù)和隱含層層數(shù)選取對于模型訓(xùn)練時(shí)間和穩(wěn)定性有較大影響。

（6）支持向量機(jī)。支持向量機(jī)是在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來的機(jī)器學(xué)習(xí)方法，是一種按監(jiān)督學(xué)習(xí)來對數(shù)據(jù)進(jìn)行二分類的廣義線性分類器。支持向量機(jī)在非線性模式識(shí)別上的優(yōu)良性能使其在分類評價(jià)工作中廣泛應(yīng)用。其基本原理是通過非線性變換將訓(xùn)練集樣本映射到高維特征空間，并在高維特征空間中尋找一個(gè)最優(yōu)分類超平面使訓(xùn)練集中的點(diǎn)距離分類面盡可能遠(yuǎn)，從而實(shí)現(xiàn)分類[21]。支持向量機(jī)具有結(jié)構(gòu)簡單、適應(yīng)性強(qiáng)、訓(xùn)練時(shí)間短、泛化性能好等優(yōu)點(diǎn)。此外，與人工神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)解的缺點(diǎn)相比，支持向量機(jī)全局尋優(yōu)性能好，但模型精度和效率很大程度上取決于模型參數(shù)值的選取。

國內(nèi)外學(xué)者已將多源數(shù)據(jù)融合技術(shù)引入水利行業(yè)諸多領(lǐng)域，例如，降水估計(jì)[22]、徑流/洪水預(yù)報(bào)[23-24]、含沙量測量[25]、水庫調(diào)度[26]、滑坡變形監(jiān)測[20，27-28]等。

3 多源數(shù)據(jù)融合技術(shù)在水質(zhì)監(jiān)測評價(jià)中的應(yīng)用

水環(huán)境是一個(gè)動(dòng)態(tài)變化的復(fù)雜系統(tǒng)，為在不增加監(jiān)測資源消耗的前提下更加全面、科學(xué)、精細(xì)地描述水質(zhì)狀況，需要充分整合基于不同目的、通過不同途徑采集到的水環(huán)境數(shù)據(jù)，使監(jiān)測數(shù)據(jù)得以二次利用（Secondary Use）[29]?；跀?shù)據(jù)融合的水質(zhì)評價(jià)方法實(shí)質(zhì)上是建立多源數(shù)據(jù)與水質(zhì)參數(shù)、類別或狀態(tài)之間的映射關(guān)系[30]。多源數(shù)據(jù)融合技術(shù)在水質(zhì)監(jiān)測評價(jià)工作中已有不少研究成果，根據(jù)監(jiān)測數(shù)據(jù)來源的不同組合方式，從空間上來劃分，主要分為地面數(shù)據(jù)融合、地空數(shù)據(jù)融合、多源遙感數(shù)據(jù)融合。

（1）地面數(shù)據(jù)融合。地面數(shù)據(jù)融合主要是對同一監(jiān)測對象同一水質(zhì)項(xiàng)目不同地面?zhèn)鞲衅鲾?shù)據(jù)進(jìn)行融合，從而獲得該水質(zhì)項(xiàng)目更為精確的值;或?qū)ν槐O(jiān)測對象不同水質(zhì)項(xiàng)目數(shù)據(jù)進(jìn)行融合，從而獲得該對象水質(zhì)狀況的綜合評價(jià)結(jié)果。Li等[31]將自適應(yīng)加權(quán)算法應(yīng)用于pH值、水溫、溶解氧等水質(zhì)指標(biāo)多傳感器監(jiān)測數(shù)據(jù)融合，并采用格拉布斯（Grubbs）準(zhǔn)則進(jìn)行誤差、缺失數(shù)據(jù)處理。唐菁敏等[32]采用無線傳感器網(wǎng)絡(luò)收集洱海水質(zhì)數(shù)據(jù)，利用證據(jù)理論對多傳感器獲得的數(shù)據(jù)進(jìn)行實(shí)時(shí)融合，結(jié)果表明該方法具有較高的穩(wěn)定性，且與傳統(tǒng)數(shù)據(jù)分析方法相比，在數(shù)據(jù)受外界因素影響波動(dòng)較大時(shí)具有更好的水質(zhì)檢測性能。林志貴等[33]通過對長江口2002年1—3月水質(zhì)監(jiān)測數(shù)據(jù)進(jìn)行融合處理，驗(yàn)證了D-S證據(jù)理論用于水質(zhì)監(jiān)測數(shù)據(jù)融合處理的可行性，并針對監(jiān)測數(shù)據(jù)轉(zhuǎn)化為證據(jù)時(shí)可能出現(xiàn)沖突或相關(guān)性等特點(diǎn)提出了改進(jìn)方法，結(jié)果表明依據(jù)多個(gè)傳感器獲得的數(shù)據(jù)合成結(jié)果來判斷水質(zhì)狀況可以有效處理監(jiān)測數(shù)據(jù)的不確定性，對區(qū)域水質(zhì)狀況的描述更為確切。管軍[16]通過構(gòu)建基于支持向量機(jī)的水質(zhì)評價(jià)模型對長江口2002年35組水質(zhì)監(jiān)測數(shù)據(jù)進(jìn)行評價(jià)分類，并與基于BP神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論融合的水質(zhì)評價(jià)方法進(jìn)行對比發(fā)現(xiàn)，支持向量機(jī)方法對水質(zhì)類別的識(shí)別率略高。周劍等[34]提出了一種基于區(qū)間證據(jù)理論的多傳感器獲得的數(shù)據(jù)融合水質(zhì)判斷方法，考慮傳感器誤差、測量數(shù)據(jù)異常等問題，將每個(gè)傳感器測量的水質(zhì)數(shù)據(jù)用區(qū)間數(shù)表示，按照區(qū)間證據(jù)組合規(guī)則將多傳感器的區(qū)間證據(jù)融合成綜合區(qū)間證據(jù)，并根據(jù)決策準(zhǔn)則判斷水質(zhì)等級(jí)，該方法可以有效處理傳感器測量水質(zhì)數(shù)據(jù)過程中存在的不確定性。胡東濱等[35]考慮流域內(nèi)不同空間、時(shí)間水質(zhì)多指標(biāo)數(shù)據(jù)融合和不確定性數(shù)據(jù)處理，提出了一種基于證據(jù)理論推理的流域水質(zhì)綜合評價(jià)方法，2011—2017年湘江18個(gè)斷面水質(zhì)評價(jià)應(yīng)用實(shí)例表明，該方法計(jì)算得到的各評估等級(jí)的概率分布對不確定性信息的處理更為科學(xué)，對流域水質(zhì)狀況的反映更為直觀。

不少研究嘗試將兩種以上方法結(jié)合形成多層次數(shù)據(jù)融合，獲得了較單一方法更好的數(shù)據(jù)融合效果。梁楠等[21]提出了一種證據(jù)理論和新型模糊支持向量機(jī)結(jié)合的水質(zhì)數(shù)據(jù)融合方法，通過訓(xùn)練基于新型隸屬函數(shù)的模糊支持向量機(jī)得到各樣本從屬于各水質(zhì)類別的基本概率分配，進(jìn)而采用D-S證據(jù)理論進(jìn)行證據(jù)融合，海河流域水質(zhì)數(shù)據(jù)融合試驗(yàn)表明，該方法的結(jié)果比較穩(wěn)定，且較傳統(tǒng)支持向量機(jī)得到的基本概率分配更為合理。朱瓊瑤等[18]提出了基于粗糙集和D-S證據(jù)理論聯(lián)合應(yīng)用的水質(zhì)預(yù)警算法，以高錳酸鹽指數(shù)（CODMn）指標(biāo)預(yù)測為例，通過與單屬性擬合、粗糙集理論等方法對比，該方法在水質(zhì)監(jiān)測數(shù)據(jù)缺失、屬性冗余、數(shù)據(jù)量偏少和不確定等條件下具有較好的預(yù)測效果。

（2）地空數(shù)據(jù)融合。遙感技術(shù)不受地面條件的限制，能在較短的時(shí)間內(nèi)對大范圍地區(qū)進(jìn)行觀測，信息獲取速度快、周期短，可以動(dòng)態(tài)獲取地面信息，但相較于地面監(jiān)測數(shù)據(jù)精確度較差，將遙感數(shù)據(jù)與地面監(jiān)測信息融合可以充分利用多源數(shù)據(jù)特點(diǎn)對數(shù)據(jù)時(shí)空分辨率進(jìn)行補(bǔ)償，并對數(shù)據(jù)合理性和準(zhǔn)確性進(jìn)行校正。遙感水質(zhì)參數(shù)反演方法是通過建立水體反射光譜特征與水質(zhì)參數(shù)的統(tǒng)計(jì)關(guān)系反演得到水質(zhì)參數(shù)，常用的經(jīng)驗(yàn)分析法和半經(jīng)驗(yàn)分析法實(shí)質(zhì)上是一種地面—空間數(shù)據(jù)融合的監(jiān)測方式[5]，地面監(jiān)測站點(diǎn)數(shù)據(jù)通常作為建立遙感反演模型的目標(biāo)樣本和驗(yàn)證依據(jù)，此外，輔以現(xiàn)場光譜采樣數(shù)據(jù)等提高反演精度。目前遙感水質(zhì)參數(shù)反演技術(shù)比較成熟的是總懸浮物、葉綠素a濃度、透明度、濁度等與水體光譜特征關(guān)系顯著的光學(xué)活性物質(zhì)，因此遙感監(jiān)測技術(shù)主要應(yīng)用于水體富營養(yǎng)化監(jiān)測、水華預(yù)警等方面。

基于遙感監(jiān)測技術(shù)的水質(zhì)評價(jià)方法主要是通過模型反演得到關(guān)鍵水質(zhì)參數(shù)進(jìn)而根據(jù)相關(guān)標(biāo)準(zhǔn)對水質(zhì)狀況進(jìn)行評價(jià)或判斷。管軍[16]引入支持向量機(jī)理論與方法，利用空中監(jiān)測和地面監(jiān)測信息的關(guān)聯(lián)性，分別構(gòu)建了基于Landsat-5衛(wèi)星遙感圖像與地面監(jiān)測數(shù)據(jù)的水質(zhì)監(jiān)測信息融合處理模型和狀況識(shí)別評價(jià)模型，并成功應(yīng)用于太湖葉綠素a濃度監(jiān)測和水質(zhì)評價(jià)，實(shí)現(xiàn)了遙感圖像對地面監(jiān)測數(shù)據(jù)的有效補(bǔ)充。Duan等[36]基于Landsat-TM數(shù)據(jù)和現(xiàn)場實(shí)測光譜數(shù)據(jù)采用波段比值（TM4/TM3）算法估測了吉林省查干湖葉綠素a濃度，進(jìn)而評價(jià)查干湖水體富營養(yǎng)化分布狀況，經(jīng)驗(yàn)證所建立的TM波段與葉綠素a濃度的關(guān)系模型具有一致性和可靠性。石愛業(yè)等[37]提出了一種知識(shí)和遙感圖像相結(jié)合的神經(jīng)網(wǎng)絡(luò)水質(zhì)反演模型，在Landsat-5的TM圖像反演基礎(chǔ)上融合了地理信息、水質(zhì)分類等先驗(yàn)知識(shí)，經(jīng)太湖流域試驗(yàn)驗(yàn)證該模型較常規(guī)線性回歸模型和傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型有更好的葉綠素a反演精度。宋挺等[38]綜合利用Landsat-8衛(wèi)星OLI傳感器和地面多參數(shù)水質(zhì)監(jiān)測儀的自動(dòng)監(jiān)測數(shù)據(jù)對太湖進(jìn)行了遙感監(jiān)測，建立了紅光和綠光波段的反演模型，對太湖水體藍(lán)藻密度和濁度進(jìn)行了估算反演。

水質(zhì)參數(shù)反演模型采用單一或少數(shù)指標(biāo)來評價(jià)水體水質(zhì)狀況不夠全面，為獲取水質(zhì)綜合評價(jià)結(jié)果，有關(guān)學(xué)者建立了遙感影像光學(xué)特征與水質(zhì)類別或營養(yǎng)狀態(tài)的直接關(guān)系。何報(bào)寅等[39]基于武漢市地面常規(guī)監(jiān)測站網(wǎng)數(shù)據(jù)計(jì)算獲得湖泊營養(yǎng)狀態(tài)指數(shù)，利用中巴地球資源衛(wèi)星CBERS-2數(shù)據(jù)反演水體營養(yǎng)狀態(tài)指數(shù)，結(jié)果顯示營養(yǎng)狀態(tài)指數(shù)的自然對數(shù)值與CBERS-2圖像灰度值之間具有較好的相關(guān)關(guān)系。朱小明[40]對GF-1號(hào)WFV衛(wèi)星所監(jiān)測到的多光譜水域圖像數(shù)據(jù)信息進(jìn)行處理，并結(jié)合部分時(shí)段的水質(zhì)實(shí)測數(shù)據(jù)和水質(zhì)類別評價(jià)結(jié)果對處理后的WFV數(shù)據(jù)進(jìn)行標(biāo)記，通過建立極限學(xué)習(xí)機(jī)模型實(shí)現(xiàn)了對太湖水域污染與否的定性判斷。周亞東等[41]基于GF-1號(hào)WFV衛(wèi)星數(shù)據(jù)和綜合營養(yǎng)狀態(tài)指數(shù)法，通過武漢及周邊湖泊82個(gè)站點(diǎn)實(shí)測數(shù)據(jù)建立了多元線性回歸和RBF神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)了大面積湖泊營養(yǎng)狀態(tài)的動(dòng)態(tài)監(jiān)測與評價(jià)。

近年來，基于遙感技術(shù)的湖庫營養(yǎng)狀態(tài)監(jiān)測已逐漸由過去針對單一湖庫擴(kuò)展至大范圍、多湖庫、長時(shí)序監(jiān)測[42-44]。以水色指數(shù)FUI（Forel-Ule Index）為代表的基于水體光學(xué)參量的遙感反演技術(shù)克服了傳統(tǒng)水質(zhì)參數(shù)反演模型的時(shí)空局限性，對于區(qū)域乃至全球范圍內(nèi)長時(shí)間尺度水質(zhì)反演具有較大潛力和優(yōu)勢，反演算法的不斷改進(jìn)與精度提升使得遙感技術(shù)在水質(zhì)動(dòng)態(tài)評價(jià)與預(yù)測工作中有了更為廣闊的應(yīng)用前景。例如，Wang等[45]提出了基于MODIS衛(wèi)星數(shù)據(jù)與水色指數(shù)FUI的水體營養(yǎng)狀態(tài)指數(shù)TSI（Trophic State Index）高精度反演算法，實(shí)現(xiàn)了全球范圍內(nèi)2 000余個(gè)水體貧營養(yǎng)、中營養(yǎng)、富營養(yǎng)3類狀態(tài)的劃分。

（3）多源遙感數(shù)據(jù)融合。隨著衛(wèi)星遙感技術(shù)和成像光譜儀技術(shù)的迅速發(fā)展，遙感水質(zhì)監(jiān)測已從最初的簡單定性分析逐步發(fā)展到定量反演，遙感數(shù)據(jù)的時(shí)空分辨率和精度日益提升。常用于水質(zhì)參數(shù)遙感反演的多光譜衛(wèi)星主要有MODIS、MERIS、Landsat5/7/8、HJ星、GF-1號(hào)以及 Sentinel等[46]。不同衛(wèi)星的使用年限不同，時(shí)空分辨率不同，監(jiān)測效果有所差異，僅從單一遙感圖像難以獲取完整且清晰的圖像信息[47-48]。遙感數(shù)據(jù)融合技術(shù)采用高級(jí)影像處理技術(shù)復(fù)合來自不同傳感器的多時(shí)相、多尺度、多頻段、多分辨率遙感影像數(shù)據(jù)，解決多源海量數(shù)據(jù)集成問題，是遙感技術(shù)在水環(huán)境監(jiān)測領(lǐng)域應(yīng)用向縱深發(fā)展的必然趨勢。

多源遙感數(shù)據(jù)融合技術(shù)的關(guān)鍵是解決不同時(shí)空分辨率遙感影像的尺度效應(yīng)難題。Tian等[49]構(gòu)建了基于高分衛(wèi)星遙感圖像產(chǎn)品GF-1 WFV和MODIS數(shù)據(jù)的融合模型，并對香港西北部后海灣的總懸浮物濃度進(jìn)行了監(jiān)測，該方法為無法獲取原位監(jiān)測結(jié)果的區(qū)域水質(zhì)監(jiān)測提供了重要示范。石愛業(yè)等[50]構(gòu)建了一種基于神經(jīng)網(wǎng)絡(luò)-證據(jù)理論的遙感圖像融合方法，并以太湖水質(zhì)監(jiān)測數(shù)據(jù)為例進(jìn)行實(shí)證分析，證明了該融合方法可以增強(qiáng)水質(zhì)狀況識(shí)別的容錯(cuò)性、提高可信度。段廣拓[51]在對深圳近海水域的葉綠素a濃度、懸浮物濃度等水質(zhì)參數(shù)反演研究中利用U-STFM模型對MODIS數(shù)據(jù)和Landsat 8數(shù)據(jù)進(jìn)行時(shí)空融合，有效彌補(bǔ)了Landsat 8時(shí)間分辨率不足的缺陷，提高了監(jiān)測的連續(xù)性。劉純宇[52]采用Brovey變換對Landsat、MODIS、HJ-1A/B等不同類型的遙感影像數(shù)據(jù)進(jìn)行處理和融合，獲得了同時(shí)兼有Landsat高空間分辨率特性和MODIS多光譜特性的巢湖地區(qū)水華分布圖像，為研究水華的時(shí)空分布規(guī)律提供了支撐。江輝[53]基于MODIS、TM/ETM+等多源衛(wèi)星遙感數(shù)據(jù)，采用統(tǒng)計(jì)回歸、RBF神經(jīng)網(wǎng)絡(luò)等方法分別建立了鄱陽湖總懸浮物濃度、總磷、透明度等水質(zhì)參數(shù)的遙感反演模型，并根據(jù)豐、平、枯水期不同水體反射率波段特征提出了分期建模的方法，提高了模型的適用性。大數(shù)據(jù)算法的飛速發(fā)展為多源遙感圖像融合處理提供了更多技術(shù)手段。Chang等[54]建立了一個(gè)能夠?qū)崿F(xiàn)多源衛(wèi)星遙感影像自動(dòng)融合和重構(gòu)的平臺(tái)，通過機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘等方法對融合后生成的圖像信息進(jìn)行智能提取，進(jìn)而獲得了相關(guān)的水質(zhì)指標(biāo)值。

除遙感影像數(shù)據(jù)多層次融合外，對不同遙感影像的水質(zhì)參數(shù)反演結(jié)果進(jìn)行融合處理也是解決遙感影像尺度問題的一種思路。例如，王珊[46]采用GF-1 WFV、Sentinel-2 MSI、Landsat 8 OLI等多源遙感數(shù)據(jù)分別構(gòu)建了潘家口-大黑汀水庫水質(zhì)參數(shù)反演模型，經(jīng)過不同模型反演結(jié)果差異性對比分析，利用集合建模思想進(jìn)行權(quán)重分配，實(shí)現(xiàn)了不同空間分辨率遙感影像數(shù)據(jù)的融合。

4 建 議

（1）推進(jìn)水環(huán)境多源監(jiān)測業(yè)務(wù)體系建設(shè)。當(dāng)前我國水質(zhì)監(jiān)測以人工監(jiān)測為主、自動(dòng)監(jiān)測為輔，遙感監(jiān)測在業(yè)務(wù)層面應(yīng)用較少。隨著自動(dòng)監(jiān)測、遙感監(jiān)測等技術(shù)手段不斷革新，新興監(jiān)測技術(shù)有望成為水環(huán)境監(jiān)測由點(diǎn)向面、由靜態(tài)向動(dòng)態(tài)發(fā)展的重要支撐。為促進(jìn)新興監(jiān)測技術(shù)的業(yè)務(wù)化應(yīng)用，需要建立天-空-地一體化立體監(jiān)測平臺(tái)，開展多源協(xié)同、優(yōu)勢互補(bǔ)的動(dòng)態(tài)監(jiān)測。

（2）建立數(shù)據(jù)共享交換機(jī)制。在不提高當(dāng)前監(jiān)測站網(wǎng)密度、增加額外成本的條件下充分利用已有監(jiān)測信息，打破水環(huán)境數(shù)據(jù)跨部門、跨業(yè)務(wù)的信息壁壘，整合多類型涉水?dāng)?shù)據(jù)、空間數(shù)據(jù)等，完善水環(huán)境監(jiān)測“一張網(wǎng)”，建立不同層面上的數(shù)據(jù)共享機(jī)制和保障體系，形成數(shù)據(jù)融合處理的技術(shù)標(biāo)準(zhǔn)或規(guī)范。加強(qiáng)水環(huán)境數(shù)據(jù)庫建設(shè)，集成模型構(gòu)建綜合決策平臺(tái)，為預(yù)測預(yù)警、應(yīng)急決策等提供參考。

（3）加強(qiáng)水質(zhì)動(dòng)態(tài)評價(jià)方法研究。多源數(shù)據(jù)融合的思路和方法有利于提高水質(zhì)評價(jià)的質(zhì)量和時(shí)效性，能夠更為全面、動(dòng)態(tài)地描述流域（區(qū)域）水質(zhì)狀況，但不同來源的數(shù)據(jù)可能存在異構(gòu)、矛盾、異常、缺失以及不確定性等問題，傳統(tǒng)水質(zhì)評價(jià)方法存在一定局限性，需構(gòu)建水質(zhì)動(dòng)態(tài)評價(jià)指標(biāo)體系，并研究適應(yīng)于多源數(shù)據(jù)結(jié)構(gòu)特征的水質(zhì)動(dòng)態(tài)評價(jià)技術(shù)方法。

參考文獻(xiàn)：

[1] 王永桂，張瀟，張萬順.基于河長制的流域水環(huán)境精細(xì)化管理理念與需求[J].中國水利，2018（4）：26-28.

[2] 中華人民共和國水利部.地表水資源質(zhì)量評價(jià)技術(shù)規(guī)程：SL 395—2007[S].北京：中國水利水電出版社，2007：1-2.

[3] 蔣云鐘，萬毅.水資源監(jiān)控能力建設(shè)功能需求及實(shí)施策略[J].中國水利，2012（7）：26-30.

[4] 張風(fēng)彩，焦二虎.淺析水質(zhì)監(jiān)測新技術(shù)的應(yīng)用[J].治淮，2015（1）：62-63.

[5] 巖臘，龍笛，白亮亮，等.基于多源信息的水資源立體監(jiān)測研究綜述[J].遙感學(xué)報(bào)，2020，24（7）：787-803.

[6] 鄒凱，孫永華，李小娟，等.基于無人機(jī)遙感的水質(zhì)監(jiān)測研究綜述[J].環(huán)境科學(xué)與技術(shù)，2019，42（增刊2）：69-75.

[7] KHALEGHI B， KHAMIS A， KARRAY F O， et al.Multisensor Data Fusion： a Review of the State-of-the-Art[J]. Information Fusion， 2013， 14（1）： 28-44.

[8] HALL D L， LLINAS J. An Introduction to Multisensor Data Fusion[J]. Proceedings of IEEE， 1997， 85（1）： 6-23.

[9] 陳科文，張祖平，龍軍.多源信息融合關(guān)鍵問題、研究進(jìn)展與新動(dòng)向[J].計(jì)算機(jī)科學(xué)，2013，40（8）：6-13.

[10] CASTANEDO F. A Review of Data Fusion Techniques[J]. The Scientific World Journal， 2013（9）：1-19.

[11] 宋秀峰.海洋水質(zhì)檢測系統(tǒng)中多傳感器數(shù)據(jù)融合技術(shù)的研究[D].秦皇島：燕山大學(xué)，2013：11-13.

[12] 祁友杰，王琦.多源數(shù)據(jù)融合算法綜述[J].航天電子對抗，2017，33（6）：37-41.

[13] 凌林本，李滋剛，陳超英，等.多傳感器數(shù)據(jù)融合時(shí)權(quán)的最優(yōu)分配原則[J].中國慣性技術(shù)學(xué)報(bào)，2000，8（2）：33-36.

[14] 朱自強(qiáng)，吳順川，劉洋，等.基于自適應(yīng)Kalman濾波融合技術(shù)的邊坡變形分析[J].礦業(yè)研究與開發(fā)，2020，40（1）：16-21.

[15] 魏娟.基于集合卡爾曼濾波的太湖葉綠素同化模擬研究[D].南京：南京師范大學(xué)，2018：1-5.

[16] 管軍.支持向量機(jī)在水質(zhì)監(jiān)測信息融合與評價(jià)中的應(yīng)用研究[D].南京：河海大學(xué)，2006：15-17.

[17] 朱瓊瑤.水質(zhì)時(shí)序數(shù)據(jù)處理及預(yù)警系統(tǒng)數(shù)據(jù)庫構(gòu)建技術(shù)研究[D].杭州：浙江大學(xué)，2012：18-22.

[18] 朱瓊瑤，張光新，馮天恒，等.基于粗糙集和證據(jù)理論的水質(zhì)分析預(yù)警技術(shù)研究[J].浙江大學(xué)學(xué)報(bào)（農(nóng)業(yè)與生命科學(xué)版），2012，38（6）：747-754.

[19] 江愛晶.水環(huán)境在線監(jiān)測與評價(jià)預(yù)警系統(tǒng)的研制與開發(fā)[D].南京：東南大學(xué)，2017：31-34.

[20] 王智偉，王利，黃觀文，等.基于BP神經(jīng)網(wǎng)絡(luò)的滑坡監(jiān)測多源異構(gòu)數(shù)據(jù)融合算法研究[J].地質(zhì)力學(xué)學(xué)報(bào)，2020，26（4）：576-582.

[21] 梁楠，鄒志紅.結(jié)合新型模糊支持向量機(jī)和證據(jù)理論的多傳感器水質(zhì)數(shù)據(jù)融合[J].電訊技術(shù)，2020，60（3）：331-337.

[22] TURLAPATY C A， ANANTHARAJ G V， YOUNAN H N， et al. Precipitation Data Fusion Using Vector Space Transformation and Artificial Neural Networks[J]. Pattern Recognition Letters， 2009， 31（10）： 1184-1200.

[23] 趙懸濤，劉昌軍，文磊，等.國產(chǎn)多源降水融合及其在小流域暴雨山洪預(yù)報(bào)中的應(yīng)用[J].中國農(nóng)村水利水電，2020（10）：54-59，65.

[24] ABRAHART R J， SEE L. Multi-Model Data Fusion for River Flow Forecasting： an Evaluation of Six Alternative Methods Based on Two Contrasting Catchments[J]. Hydrology and Earth System Sciences， 2002， 6（4）： 655-670.

[25] 劉明堂，田壯壯，齊慧勤，等.基于Kalman-BP協(xié)同融合模型的含沙量測量[J].應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào)，2016，24（5）：970-977.

[26] 楊旭，尚毅梓，劉志武，等.基于多源數(shù)據(jù)融合的金沙江下游-三峽梯級(jí)水庫調(diào)度系統(tǒng)設(shè)計(jì)與應(yīng)用[J].水利水電技術(shù)，2019，50（8）：154-165.

[27] 張福榮.自適應(yīng)卡爾曼濾波在變形監(jiān)測數(shù)據(jù)處理中的應(yīng)用研究[D].西安：長安大學(xué)，2009：2-8.

[28] HIBERT C， GRANDJEAN G， BITRI A， et al. Characterizing Landslides Through Geophysical Data Fusion： Example of the La Valette Landslide （France）[J]. Engineering Geology， 2012， 128： 23-29.

[29] SPRAGUE L A， OELSNER G P， ARGUE D M. Challenges with Secondary Use of Multi-Source Water-Quality Data in the United States[J]. Water Research， 2017， 110： 252-261.

[30] 曾維華.多源信息融合技術(shù)在內(nèi)陸湖庫水華預(yù)警中的研究進(jìn)展與展望[J].長江流域資源與環(huán)境，2009，18（1）：72-78.

[31] LI D， SHEN C， DAI X， et al. Research on Data Fusion of Adaptive Weighted Multi-Source Sensor[J]. Computers， Materials & Continua， 2019， 61（3）：1217-1231.

[32] 唐菁敏，徐春龍.基于洱海的多傳感器數(shù)據(jù)融合水質(zhì)檢測[J].云南民族大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，27（5）：417-421.

[33] 林志貴，徐立中，黃鳳辰，等.基于D-S理論的多源水質(zhì)監(jiān)測數(shù)據(jù)融合處理[J].計(jì)算機(jī)工程與應(yīng)用，2004，40（10）：3-5.

[34] 周劍，馬晨昊，劉林峰，等.基于區(qū)間證據(jù)理論的多傳感器數(shù)據(jù)融合水質(zhì)判斷方法[J].通信學(xué)報(bào)，2016，37（9）：20-29.

[35] 胡東濱，蔡洪鵬，陳曉紅，等.基于證據(jù)推理的流域水質(zhì)綜合評價(jià)法：以湘江水質(zhì)評價(jià)為例[J].資源科學(xué)，2019，41（11）：2020-2031.

[36] DUAN H， ZHANG Y， ZHANG B， et al. Assessment of Chlorophyll-a Concentration and Trophic State for Lake Chagan Using Landsat TM and Field Spectral Data[J]. Environmental Monitoring and Assessment， 2007， 129（1-3）： 295-308.

[37] 石愛業(yè)，徐立中，楊先一，等.基于知識(shí)和遙感圖像的神經(jīng)網(wǎng)絡(luò)水質(zhì)反演模型[J].中國圖象圖形學(xué)報(bào)，2006，11（4）：521-528.

[38] 宋挺，石俊哲，劉軍志，等.基于Landsat-8衛(wèi)星OLI數(shù)據(jù)的太湖水體藍(lán)藻密度和濁度遙感定量反演研究[J].安全與環(huán)境工程，2015，22（6）：67-71，78.

[39] 何報(bào)寅，梁勝文，丁超，等.利用中巴地球資源衛(wèi)星數(shù)據(jù)反演武漢市湖泊營養(yǎng)狀態(tài)指數(shù)[J].長江流域資源與環(huán)境，2009，18（12）：1181-1186.

[40] 朱小明.基于多光譜遙感圖像信息的水質(zhì)污染監(jiān)測研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2018，28（10）：52-60.

[41] 周亞東，何報(bào)寅，寇杰鋒，等.基于GF-1號(hào)遙感影像的武漢市及周邊湖泊綜合營養(yǎng)狀態(tài)指數(shù)反演[J].長江流域資源與環(huán)境，2018，27（6）：1307-1314.

[42] KNIGHT J F， VOTH M L. Application of MODIS Imagery for Intra-Annual Water Clarity Assessment of Minnesota Lakes[J]. Remote Sensing， 2012，4（7）： 2181-2198.

[43] MATTHEWS M W. Eutrophication andCyanobacterial Blooms in South African Inland Waters： 10 Years of MERIS Observations[J]. Remote Sensing of Environment， 2014， 155： 161-177.

[44] 張兵，李俊生，申茜，等.地表水環(huán)境遙感監(jiān)測關(guān)鍵技術(shù)與系統(tǒng)[J].中國環(huán)境監(jiān)測，2019，35（4）：1-9.

[45] WANG S， LI J， ZHANG B， et al. Trophic State Assessment of Global Inland Waters Using a MODIS-Derived Forel-Ule Index[J]. Remote Sensing of Environment， 2018， 217： 444-460.

[46] 王珊.基于多源遙感影像的潘家口-大黑汀水庫水質(zhì)變化監(jiān)測與分析[D].蘭州：蘭州交通大學(xué)，2019：5-8.

[47] 曹楊，尚士友，楊景榮，等.多源遙感數(shù)據(jù)在湖泊濕地信息提取中的應(yīng)用[J].人民黃河，2010，32（2）：5-9.

[48] 陳琳，賈化樂，楊中華，等.應(yīng)用多星多源數(shù)據(jù)組合動(dòng)態(tài)監(jiān)測黃河凌汛進(jìn)程[J].人民黃河，2013，35（6）：32-35.

[49] TIAN L， WAI O W H， CHEN X， et al. Retrieval of Total Suspended Matter Concentration from Gaofen-1 Wide Field Imager （WFI） Multispectral Imagery with the Assistance of Terra MODIS in Turbid Water-Case in Deep Bay[J]. International Journal of Remote Sensing， 2016， 37（14）： 3400-3413.

[50] 石愛業(yè)，徐立中，楊先一，等.基于神經(jīng)網(wǎng)絡(luò)-證據(jù)理論的遙感圖像數(shù)據(jù)融合與湖泊水質(zhì)狀況識(shí)別[J].中國圖象圖形學(xué)報(bào)，2005，10（3）：372-377.

[51] 段廣拓.基于多源遙感數(shù)據(jù)的水環(huán)境參量反演算法研究與應(yīng)用[D].深圳：中國科學(xué)院大學(xué)，2019：8-18.

[52] 劉純宇.基于多源遙感影像數(shù)據(jù)融合的巢湖水華時(shí)空動(dòng)態(tài)反演[D].合肥：安徽農(nóng)業(yè)大學(xué)，2019：6-9.

[53] 江輝.基于多源遙感的鄱陽湖水質(zhì)參數(shù)反演與分析[D].南昌：南昌大學(xué)，2011：7-13.

[54] CHANG N B， BAI K， CHEN C F. Integrating Multisensor Satellite Data Merging and Image Reconstruction in Support of Machine Learning for Better Water Quality Management[J]. Journal of Environmental Management， 2017， 201： 227-240.

【責(zé)任編輯 呂艷梅】