遼河流域干流及部分支流總氮濃度遙感反演研究

王文輝，李 艷，雷 坤，張 萌，魏 明

（1.中國環(huán)境科學研究院，北京 100012；2.沈陽理工大學，沈陽 110159；3.復旦大學大氣科學研究院，上海 200438；4.中國科學院西北生態(tài)環(huán)境資源研究院，蘭州 730000）

0 引 言

水質(zhì)監(jiān)測通過對水污染物含量的定量分析，客觀評價一個地區(qū)水污染程度，為水污染防治和水環(huán)境管理提供決策服務(wù)［1］。水體中TN 的豐歉與水體是否富營養(yǎng)化、水生生物能否平衡密切相關(guān)，是衡量水環(huán)境質(zhì)量的重要指標［2］，長期以來，生活污水、含氮工業(yè)廢水的大量排放及耕地化肥的施用，引起地表水水體TN 含量升高，導致溶解氧（Dissolved Oxygen，DO）濃度急劇下降，水生生物平衡被破壞，水環(huán)境質(zhì)量一度下降到無法滿足飲用和灌溉的需求。遼河流域作為我國最大工業(yè)基地所在地，接納了遼寧省境內(nèi)大多數(shù)冶金、石化、藥物和印染等重污染行業(yè)的廢水，水污染狀況嚴峻。自1997年以來，遼河流域的水污染治理經(jīng)歷了從單一的控源截污到流域的污染綜合治理［3］，“十一五”、“十二五”期間遼河流域以氨氮（NH3-N）作為水污染防治的重點關(guān)注指標之一，參與水環(huán)境質(zhì)量的監(jiān)測與評價，污染程度有所緩解，但通過水質(zhì)監(jiān)測數(shù)據(jù)來看，水質(zhì)達標狀況不穩(wěn)定，水污染控制程度仍不樂觀：2013-2018年五年間，劣Ⅴ類斷面占比增長16.7%，2019年又降低11.8%?！笆濉庇痔岢鲞M一步的要求，將TN也列入水環(huán)境監(jiān)測的重要指標。

對水污染物的監(jiān)測通常以人工現(xiàn)場采樣并進行實驗分析的方式，或在線自動分析儀器來完成［4］。近年來隨著空間探測技術(shù)的革新，水環(huán)境遙感技術(shù)相比于傳統(tǒng)的手段，具備監(jiān)測范圍廣、速度快、成本低及便于進行動態(tài)監(jiān)測的優(yōu)勢［5］，而且還能在一定程度上解決歷史數(shù)據(jù)難獲取的問題，因此受到眾多研究人員的青睞。早期水環(huán)境遙感在研究區(qū)域上較多地居于海洋、湖庫等寬闊水域，隨著傳感器成像空間分辨率的提高，逐漸拓展到小面積水域的河流；研究內(nèi)容從水域的定性識別［6］發(fā)展到水質(zhì)參數(shù)的定量估計［7，8］；研究方法經(jīng)歷了從分析法［9，10］到經(jīng)驗法［11］，再到半經(jīng)驗-半分析法［12，13］的耦合。

對TN 遙感監(jiān)測的研究以經(jīng)驗法和半分析-半經(jīng)驗法為主。經(jīng)驗法類似于“黑箱”，在一定程度上忽略光在大氣與水體之間的傳輸過程，基于TN 濃度與遙感反射率之間的相關(guān)關(guān)系，以統(tǒng)計學的方法完成對TN 濃度的反演，無需大量的長時序?qū)崪y數(shù)據(jù)，具有易操作的性質(zhì)，這種方法的核心在于遙感數(shù)據(jù)源與敏感特征選取，不乏有大量學者對此進行深入的研究，如Torbick等［14］利用TM 影像對密歇根州42 個湖泊的TN 濃度反演取得了較好的結(jié)果；雷坤等［15］利用另一種遙感數(shù)據(jù)源（CBERS-1-CCD），建立了太湖表層TN 濃度的反演模型（MRE=12.2%）；何報寅等［16］、楊柳等［17］則以ETM+影像，分別反演武漢東湖和溫榆河TN 濃度，取得了較好的結(jié)果；而王學軍等［18］通過單波段、多波段組合和主成分分析的方式選擇敏感特征，基于TM 影像反演了太湖TN 濃度。隨著高光譜技術(shù)的發(fā)展，研究人員又嘗試利用基于實測光譜的半分析-半經(jīng)驗法，以期取得更準確的TN反演結(jié)果，如鞏彩蘭等［19］通過分析實測高光譜歸一化值、波段比值和微分值與TN 濃度的相關(guān)性，以656.53 nm 反射率歸一化值與880 nm 反射率歸一化一階微分值反演了黃浦江TN 濃度；徐良將等［20］同樣以實測光譜，通過微分和波段比值的方式，發(fā)現(xiàn)455 nm 反射率微分值與1 015/528 nm 反射率比值為TN 濃度最敏感變量，并得到了R2=0.839 的TN 反演模型。近幾年面對TN反演準確度較低的問題，以機器學習為基礎(chǔ)的非參數(shù)算法無需確定目標函數(shù)的形式，具有更高的靈活性與泛化性，表現(xiàn)略勝一籌，王建平等［21］以人工神經(jīng)網(wǎng)絡(luò)模型對鄱陽湖TN 濃度的反演研究、王云霞［22］以最小二乘支持向量機法對遼寧清河水庫的TN反演，都取得了較好的結(jié)果。

大流域尺度河流水體水質(zhì)遙感監(jiān)測受遙感成像空間分辨率、成像幅寬等諸多因素的制約，有待進一步認識。在充分了解遙感水質(zhì)監(jiān)測優(yōu)勢和發(fā)展現(xiàn)狀的前提下，針對遼河流域干流及部分主要支流，采用最大坡度下降算法選取純水體像元，利用GF1-WFV 遙感影像反演TN 濃度，及時掌握TN 在流域尺度上的時間、空間變化狀況，為大流域尺度河流水體的TN 反演研究積累一定的經(jīng)驗參考和數(shù)據(jù)，為遼河流域水生態(tài)環(huán)境精細化管理與保護提供科學依據(jù)。

1 研究區(qū)域概況與數(shù)據(jù)采集

1.1 研究區(qū)域概況

遼河流域（40°31＇～45°17＇N，116°54＇～125°32＇E）位于遼寧省境內(nèi)，流域面積約21.9 萬km2，流域內(nèi)有遼河、渾河和太子河三大水系。流域覆蓋遼寧省鐵嶺、沈陽、撫順等8 個地市全境，及黑山、北鎮(zhèn)和彰武等4縣（市）。由于地處東北老工業(yè)基地，長期以來形成了以煤炭與石油開采、焦化和鋼鐵等重工業(yè)為主的工業(yè)結(jié)構(gòu)，導致污染排放強度高，致使遼河流域污染狀況愈加嚴峻。自“九五”被列為國家重點治理的流域至今，遼河流域干流河段COD 劣V 類已基本被消除，部分區(qū)域生境有所恢復，水質(zhì)退化的趨勢已經(jīng)得到基本的控制，但水質(zhì)達標狀況依舊不穩(wěn)定：2016年考核斷面水質(zhì)達標率為80%，2017年同比增長3.7%，到2018年又同比下降27.4%；水質(zhì)優(yōu)良比例（Ⅰ～Ⅲ類）從2016年的32%增長到2017年的46.9%，2018年又下降了7.3%；喪失水體使用功能（劣V類）占比總體呈上升趨勢。

1.2 數(shù)據(jù)采集與預處理

1.2.1 水質(zhì)數(shù)據(jù)

選取流域面積在1 000 km2以上的支流，以谷歌地圖（Level=14，空間分辨率約為17 m）為底圖，采用人機交互的方式在支流入干前，選取水陸區(qū)分度較高、水面寬度大于1 個像元的區(qū)域，布設(shè)水樣采集點位；干流水樣采集點位的布設(shè)方法與支流相同，盡可能上中下游均布設(shè)點位；布設(shè)的點位盡量與日常監(jiān)測點位保持一致，以便對數(shù)據(jù)進行補充。全流域布設(shè)40個水質(zhì)采樣點位（圖1）。于2018年4-9月，每月4-10 號采集水樣并分析水質(zhì)。

圖1 采樣點位布設(shè)Fig.1 Layout of sampling points

1.2.2 遙感數(shù)據(jù)

對比非商業(yè)多光譜遙感數(shù)據(jù)之間的參數(shù)，綜合考慮遙感衛(wèi)星成像的時間、空間分辨率，及成像幅寬和數(shù)據(jù)的批量易獲取性：高分一號WFV（GF1-WFV）在星下點成像空間分辨率（16 m）上優(yōu)于Landsat 系列（30 m，Landsat8 融合后為15 m）、MODIS（最高250 m）和HJ1A、1B（30 m），在成像幅寬（800 km）、成像時間分辨率（2 d）和數(shù)據(jù)批量易獲取性上要優(yōu)于Sentinel-2，多光譜相機成像譜段涵蓋藍光（0.45～0.52 μm）、綠光（0.52～0.59 μm）、紅光（0.63～0.69 μm）和近紅外光（0.77～0.89 μm），滿足研究的需求。選用GF1-WFV 數(shù)據(jù)作為研究遼河流域干流及主要支流TN濃度反演的遙感數(shù)據(jù)源。

從資源衛(wèi)星應(yīng)用中心網(wǎng)站（http：//www.cresda.com/CN/）篩選并獲取云量小于10%的研究區(qū)域GF1-WFV遙感影像，7月全月云量較多，不能滿足研究需求，因此保留了4-6月、8-9月的影像，共計25 景，成像時間與水樣采集時間準同步（±5 d）。依次按照輻射定標、大氣校正、正射校正的順序，基于IDL語言，集成了ENVI5.3 下的輻射定標、FLAASH 大氣校正和正射校正模塊，對GF1-WFV 影像形成流程化的批量處理程序，其中正射校正所使用的DEM數(shù)據(jù)為ASTER GDEM。

2 研究方法

2.1 數(shù)據(jù)分析

2.1.1 TN濃度潛在特征構(gòu)造

GF1-WFV 影像帶寬高，波段少，但通過波段之間的數(shù)學運算可以增強或屏蔽某些信號［23］，使有用的信號更為突出。在GF1-WFV 四個波段的基礎(chǔ)上，參考相關(guān)研究［24］，以雙波段、三波段、四波段組合的方式構(gòu)建了59個TN濃度潛在特征，累計63個潛在特征，計算方式見表1。

表1 TN濃度潛在特征Tab.1 Latent features of TN concentration

2.1.2 純水體像元與水體提取

水體的反射率通常小于其他地面物體，純水體像元（遙感影像中只包含水體的像元，以GF1-WFV 為例，1 個像元為邊長16 m 的正方形）的歸一化植被指數(shù)（NDVI）值一般不大于0，為了確保最大限度地降低偶然誤差，采取最大坡降算法［25］，以采樣點的像元為中心，固定與其相鄰的8個像元，計算中心像元與臨近像元的坡降度［式（1）］，選取坡降最大的臨近像元作為采樣點的純水體像元。

式中：Drop為中心像元與臨近像元的坡降度；NDVIcenter為中心像元的NDVI值；NDVIε為 與中心像元臨近像元的NDVI值，ε=1，2，3，…，8；L為中心像元與臨近像元的距離，對角線臨近像元，其余臨近像元L=16。

GF1-WFV 不具備中紅外波段，無法計算MNDWI，故以NDWI計算結(jié)果結(jié)合人機交互的方式進行水體的提取，GF1-WFV影像NDWI計算見式（2）。

式中：Rrs(B2)為綠波段遙感反射率，GF1-WFV 為第2 波段；Rrs(B4)為近紅外波段遙感反射率，GF1-WFV為第4波段。

2.2 參數(shù)回歸模型

參數(shù)回歸模型對自變量和因變量之間有明確的函數(shù)式，通過分析潛在特征與TN 濃度的相關(guān)性，確定TN 濃度的敏感特征，以TN 濃度作為因變量，敏感特征作為自變量，建立一個相關(guān)性較高、且具有明確函數(shù)關(guān)系的方程，實現(xiàn)對TN 濃度的反演。但高維度的可能存在冗余特征，將這些特征全部引入模型，雖然擬合效果較理想，但冗余特征的共線性會過度稀釋有用特征的信息量，使目標值的特征難以被解釋。逐步回歸的方法將特征逐個引入模型，根據(jù)特征對目標值的解釋度剔除掉冗余特征，從而保留解釋度較高的特征。按照8∶2 的比例分割數(shù)據(jù)集，采用逐步線性回歸的方法，80%的數(shù)據(jù)來建立逐步回歸模型，剩余20%以作驗證。

2.3 非參數(shù)回歸模型

非參數(shù)回歸是隨著近年機器學習的興起而衍生的一類算法，這類算法根據(jù)特征集預測目標值時，無需假設(shè)目標函數(shù)的形式，具有更高的靈活性與泛化性能。采用隨機森林［26］（Ran‐dom Forest，RF）和極端梯度提升［27］（Extreme Gradient Boosting，XGBoost）兩種非參算法探索遼河流域干流及主要支流TN 濃度反演最優(yōu)方式。同樣按照8∶2 的比例分割數(shù)據(jù)集，80%的數(shù)據(jù)作非參數(shù)算法的訓練集，其余的20%驗證算法的預測準確度。

2.3.1 隨機森林算法

隨機森林算法是一種以決策樹為基學習器的有監(jiān)督集成學習算法，面對回歸分析的問題時，取多個決策樹預測結(jié)果的均值作為目標值，具有泛化能力突出、易于實現(xiàn)、抗噪能力強、計算速度快等優(yōu)勢，有利于遼河流域干流及主要支流TN 濃度的預測。RF 在訓練的過程中使用bootstrapping 抽樣方法，約有36.8% 的數(shù)據(jù)不會參與RF 的訓練：對于數(shù)據(jù)集D={Y|X1，…，Xn}，RF先使用這部分數(shù)據(jù)計算預測錯誤率，隨機打亂某一特征Xa的排序后，再次計算預測錯誤率，取兩次錯誤率之差量化特征Xa的權(quán)重，若RF 構(gòu)建了β個基學習器，則特征Xa的權(quán)重為β個基學習器前后兩次預測錯誤率之差的均值，因此RF也具備特征選擇的能力。

2.3.2 極端梯度提升算法

首創(chuàng)于2016年的XGBoost 也是一種集成學習算法，其基學習器可以是樹模型，也可以是線性模型。與RF 不同的是，XGBoost采用了boosting 集成框架，使學習器根據(jù)當前的損失殘差，以梯度提升的方式加入另一個學習器，降低損失殘差，通過不斷地迭代達到更高的預測準確率，屬于RF模型的拓展。

2.4 結(jié)果驗證

參數(shù)、非參數(shù)兩類回歸模型反演遼河流域干流及部分支流TN 濃度的準確度采用決定系數(shù)（R2）、均方誤差（Root Mean Square Error，RMSE）、平均相對誤差（Average Relative Error，MAE）評價，計算公式見式（3）～（5）。

式中：xi為驗證數(shù)據(jù)集中第i個樣本的實測值（或?qū)崪y值對數(shù)），i=1，2，3，…，n；xi，p為驗證數(shù)據(jù)集中第i個樣本的對應(yīng)的預測值（或預測值對數(shù)），i=1，2，3，…，n。

3 結(jié)果與討論

3.1 水質(zhì)變化趨勢與大氣校正結(jié)果

從水樣檢測結(jié)果來看，遼河流域干流及部分支流TN 濃度較高。240 組TN 濃度檢測結(jié)果中超地表水Ⅴ類標準（＞2 mg/L）的占比76.67%，其中4月、9月劣Ⅴ類占比均在80%以上，8月最低為65%。在時間上也存在較大的差異，4-9月變異系數(shù)（CV）在0.67～1.14 之間，其中6-8月3 個月TN 濃度均值均小于4 mg/L，低于4-5月、9月［圖2（a）］，由于遼河流域年內(nèi)降水量分布差異較大［28］，降水集中在6-8月，故而徑流量較大，污染物濃度低。

抽取30%的點位，觀察大氣校正后的光譜曲線，如圖2（b）所示，藍光（B）區(qū)普遍呈吸收狀態(tài)，隨著波長的增加，約81.1%的點位在綠光（G）區(qū)出現(xiàn)明顯的反射，紅光（R）與近紅外（NIR）區(qū)反射率逐漸降低，光譜曲線形態(tài)整體呈“倒U”形，反射率均小于10%；其余點位峰值由綠光區(qū)向紅光區(qū)偏移，反射率值高于10%。根據(jù)已有的研究［29］：天然水體的反射率普遍居低（小于10%），在綠光區(qū)會存在明顯的反射峰，隨著波長的增加，反射率與波長成反比；當水體渾濁或含沙量較高時，反射峰會從綠光區(qū)移向紅光區(qū)，反射率甚至會高于10%，這種現(xiàn)象通常出現(xiàn)在河流下游區(qū)域。大氣校正結(jié)果接近準確。

圖2 TN濃度（4-9月）與大氣校正后的光譜曲線Fig.2 TN concentration（April to September）and Water spectrum curve after atmospheric correction

3.2 基于參數(shù)回歸模型的TN濃度反演

為探究遼河流域干流及部分支流TN 的反演是否可以按季節(jié)、水期分布，將時間按照春季（4-5月）、夏季（6-8月）、平水期（5-6月）、豐水期（8-9月）進行劃分。對各月、各季度、各水期TN 濃度的正態(tài)分布性進行了檢驗，均不服從正態(tài)分布（K-S 檢驗Sig＜P=0.05），故采用Spearman 秩相關(guān)系數(shù)來描述TN 濃度與63個潛在特征的相關(guān)性，以相關(guān)顯著的特征參與參數(shù)回歸模型的建立。相關(guān)性計算結(jié)果如圖3所示，4-6月、8-9月、春季、夏季、平水期、豐水期分別與TN 濃度相關(guān)性顯著的特征累計為54、26、30、15、5、37、31、41和16個。

圖3 潛在特征與TN濃度的Spearman秩相關(guān)性Fig.3 Spearman rank correlation between latent featuresand TN concentration

“3σ”法對異常數(shù)據(jù)分析后，步進條件設(shè)置為0.15＜Per‐cent_F＜0.25，參數(shù)回歸模型的建立與驗證結(jié)果見表2，4-6月、9月宜逐月反演，8月宜劃分為豐水期來反演，所對應(yīng)特征組合分別為（X41）、（X41，X1，X11）、（X41，X36）、（X53）和（X53，X49，X17）。隨著敏感特征的逐步增加，R2不斷遞增，F(xiàn)在遞減，但并非最高R2所對應(yīng)的驗證R2也最高，可能是冗余特征稀釋了敏感特征的信息，產(chǎn)生了過擬合的情況。綜合考慮驗證R2、驗證RMSE和驗證MAE，最終以X41 作為4月和平水期TN 濃度的敏感特征；X53 為8、9月和夏季TN 濃度敏感特征；X41、X1 和X11共同作為5月TN 濃度敏感特征；X41和X36共同作為6月TN 濃度敏感特征；X41、X10、X4 共同作為春季TN 濃度敏感特征；X53、X49 和X17 共同作為豐水期TN 濃度敏感特征。同時從驗證R2來看：夏季參數(shù)回歸模型驗證結(jié)果最好，5、4、8月、平水期和9月次之，6月、豐水期和春季居后；但從驗證RMSE和MAE來看，夏季和平水期均要高于6月，因此6月TN 濃度不宜劃分為夏季來反演；8月驗證RMSE雖然小于夏季，但與豐水期相比，驗證RMSE與MAE較高，且在模型建立時R2也不及豐水期，因此8月TN濃度宜劃分為豐水期來反演，4-6月、9月逐月反演。

表2 TN濃度反演的參數(shù)回歸模型Tab.2 Parameter regression model for TN concentration inversion

3.3 基于非參數(shù)回歸模型的TN濃度反演

非參數(shù)回歸模型能夠很好地處理高維特征數(shù)據(jù)，先將63個特征全部引入RF 的訓練，超參數(shù)的尋優(yōu)采用3 折交叉驗證（20%的驗證數(shù)據(jù)）與網(wǎng)格搜索法。從預測結(jié)果的準確度上來看（圖4），非參算法反演TN濃度宜逐月進行。圖4中曲線為R2，柱狀為特征權(quán)重，隨著將特征按照權(quán)重高低依次加入RF，R2不斷波動，總體呈上升趨勢，到曲線尾部逐漸趨于平直。可以發(fā)現(xiàn)：并不是所有的特征都參與到RF 的訓練才使得R2最高，因此非參算法反演TN濃度時，先要對特征進行篩選。

圖4 RF反演TN濃度學習曲線Fig.4 The learning curve for RF inversion of TN concentration

為了使特征的可解釋性更高，進一步壓縮特征維度，取RF驗證集最高R2對應(yīng)的特征組合與Spearman 秩相關(guān)性顯著的特征組合的交集XS=Xrf∩XSpearman，在XGBoost 中進行逐月反演，超參的尋優(yōu)同樣采用3折交叉驗證（20%的驗證數(shù)據(jù)）與網(wǎng)格搜索，從圖5可以看出：整體的反演效果相比RF略有提升，MAE分布在7.27%～26.99%之間，5月最佳，8月R2較低，TN 濃度大于10 mg/L時，反演效果較差。

圖5 XGBoost反演TN濃度的結(jié)果Fig.5 XGBoost inversion results of TN concentration

此外，通過對比，非參數(shù)回歸模型與參數(shù)回歸模型類似，特征X41，即（B1+B3）/B2均為4-6月逐月、春季、平水期TN濃度的敏感特征；在特征X41 的基礎(chǔ)上加入B4 后，生成（B1+B3+B4）/B2即特征X51，均為8-9月逐月、夏季、豐水期TN濃度的敏感特征。從每月水樣采集期間水文監(jiān)測站泥沙含量來看［圖6（a）］，8、9月日均泥沙濃度分別為0.044 91、0.054 44 kg/m3，明顯高于4-6月［0.022 34 kg/m3，0.025 39 kg/m3］；從遙感反射率來看［圖6（b）］，B3 波段（R）到B4 波段（NIR），8、9月反射率開始增高，而4-6月均呈下降趨勢。由于8、9月泥沙濃度的升高，水體較為渾濁，引起水體光譜反射率的變化，反射峰值移動到NIR［23，29］，而水體中的氮元素會以泥沙作為吸附載體［30］，故NIR 波段反射率對8-9月TN濃度的反演起到重要的作用。

圖6 采樣期間撫順（二）站日均泥沙濃度和遙感反射率Fig.6 During the sampling period，the daily average sediment concentration and remote sensing reflectivity of Fushun（2）Station

3.4 模型適宜性評價及誤差分析

對比兩類算法反演結(jié)果表明：使用XGBoost 模型的反演效果較好，適合遼河流域干流及部分主要支流TN 濃度反演。由于水體的光學特性較為復雜，影響因素眾多［31-33］，可以說明遼河流域干流及部分支流TN 濃度與遙感反射率（或組合）之間不具有明確的線性關(guān)系，非參數(shù)回歸模型類似于“黑箱”，無需確定的函數(shù)關(guān)系，且對復雜的高維特征也能夠較好地應(yīng)對。

XGBoost 模型反演遼河流域干流及部分支流TN 濃度的實測值與預測值之間存在7.27%～26.99%的相對平均誤差?？赡苡梢韵略蛞穑?/p>

（1）流域尺度遙感數(shù)據(jù)的局限性。亞米級分辨率的遙感影像對于細小河流的觀測效果固然更好，以GF2-PMS 影像為例，23 km 的成像幅寬對方圓21.9 萬km2的遼河流域而言，經(jīng)濟適用性較低。國產(chǎn)GF1-WFV 成像空間分辨率比廣泛使用的Landsat 系列等要高，盡管在采樣時盡可能選取在河道中央，但對于河寬不足16 m的河段，單個像元內(nèi)混合了河流及兩岸其他物體的信息，其記錄的反射率值仍可能不屬于真實水體。

（2）大氣校正的系統(tǒng)誤差。FLAASH 大氣校正模型能最大程度上消除大氣對地表真實情況的影響，盡可能達到逼真的效果，但校正過程中所使用的經(jīng)驗參數(shù)無法消除衛(wèi)星成像整個過程中的系統(tǒng)誤差，影像所記錄的地表信息與實際不完全相符。

（3）水質(zhì)監(jiān)測數(shù)據(jù)與遙感數(shù)據(jù)的時間吻合度。水質(zhì)與遙感反射率都是水體的瞬時信息，水樣采集時間與衛(wèi)星成像時間雖控制在±5 d 以內(nèi)，但這段時間內(nèi)采樣點的TN 濃度是存在波動性的，總會存在差異，客觀上與遙感反射率不完全吻合。

3.5 TN濃度的時空分布

對三條水系的反演結(jié)果進行局部展示（圖7），從時間上來看，遼河流域干流及部分支流TN 濃度在4-6月、8月期間呈逐月遞減趨勢，9月又開始增加，豐水期低于平水期與枯水期；從空間上來看，太子河本溪段下游TN 濃度在0.43～8.02 mg/L，明顯優(yōu)于清河入干前（0.96～8.17 mg/L）和渾河沈陽城區(qū)段下游（1.13～9.88 mg/L）。

圖7 遼河、渾河和太子河局部反演結(jié)果Fig.7 Local inversion results of Liaohe，Hunhe and Taizihe

清河在入干前與渾河沈陽城區(qū)段下游TN 濃度在時間上的變化趨勢一致，4-5月明顯高于6、8、9 三個月。據(jù)《遼河治理攻堅戰(zhàn)支流河目標清單》，清河支流馬仲河、渾河上游撫順段支流東洲河、章黨河、將軍河為重污染河流，考核斷面水質(zhì)現(xiàn)狀均為劣Ⅴ類，且2018年上半年清河支流寇河進行了河道清淤工程，這期間水質(zhì)較差，可能是支流匯流對干流的水質(zhì)產(chǎn)生了較大的影響；此外，2018年上半年，受降水影響，渾河流量同比減少47.9%，且撫順、沈陽城區(qū)筑壩較多，使水流不暢，水質(zhì)也可能會隨著變差。

4 結(jié) 論

目前對湖庫等寬闊水域水環(huán)境參數(shù)定量遙感反演的研究相對成熟，大流域尺度河流水體因受遙感成像空間、時間分辨率與幅寬的制約，有待進一步認識。以遼河流域為研究區(qū)域，TN 為反演對象，利用2018年4-9月（不含7月）實測水質(zhì)數(shù)據(jù)和準同步GF1-WFV 遙感影像，基于參數(shù)、非參數(shù)兩類回歸模型，對遼河流域干流及部分支流TN 濃度進行了反演研究，得出結(jié)論：

（1）GF1-WFV 影像空間分辨率16 m，時間分辨率2 d，成像幅寬800 km，多光譜相機成像譜段涵蓋藍、綠、紅和近紅外4 個波段，大氣校正后的反射率普遍小于10%，綠光區(qū)為反射峰，隨著波長的增加，反射率下降，滿足遼河流域干流及主要支流TN濃度反演的需求。但8-9月（豐水期）由于降雨沖刷導致泥沙量增大，反射峰朝近紅外偏移，水體中的氮元素會吸附在泥沙上，因此近紅外波段反射率在8-9月遼河流域干流及部分支流TN濃度反演中具有重要意義。

（2）遼河流域干流及部分支流TN 濃度與遙感反射率（或組合）之間線性關(guān)系較弱，使用參數(shù)回歸模型反演結(jié)果不及非參數(shù)回歸模型。非參數(shù)回歸模型中，極端梯度提升的樹模型（XG‐Boost）比隨機森林（RF）反演效果更好，4-6、8-9月逐月的R2均在0.575 以上，RMSE在0.54～1.899 之間，MAE在7.27%～26.99%之間。當TN濃度在10 mg/L以上時，反演效果不理想。

（3）內(nèi)陸水體的光學特性較為復雜，影響因素眾多，遼河流域干流及部分支流TN 濃度反演需多個特征參與。與TN 濃度相關(guān)的潛在特征中存在非相關(guān)、低相關(guān)的冗余特征，不僅不能提高反演的準確度，還難以被解釋，因此使用XGBoost模型前要對特征進行選擇。取RF 驗證集最高R2對應(yīng)的特征組合與Spearman 秩相關(guān)性顯著的特征組合交集（XS=Xrf∩XSpearman）的方式能夠較好地完成對特征的選擇。

（4）2018年遼河流域干流及部分支流TN 濃度在時間上存在較大的差異，4-6月明顯高于8-9月，8月達到最低（1.675～7.675 mg/L）；受清河支流馬仲河、寇河，渾河上游撫順段支流東洲河、章黨河、將軍河劣Ⅴ類水體匯流，以及渾河流量減少的影響，4-5月清河入干前（1.47～8.17 mg/L）和渾河沈陽城區(qū)段下游（1.13～9.88 mg/L）TN 污染情況比太子河本溪段下游（0.48～8.02 mg/L）嚴重。