Sentinel-2/MSI深度學(xué)習(xí)超分辨率重建及河湖水質(zhì)遙感反演

王世瑞,沈芳,魏小島

(1.華東師范大學(xué) 河口海岸學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室,上海 200062;2.上?？睖y(cè)設(shè)計(jì)研究院有限公司,上海 200050;3.中國(guó)長(zhǎng)江三峽集團(tuán)有限公司 長(zhǎng)江生態(tài)環(huán)境工程研究中心,北京 100038)

0 引言

在人類(lèi)活動(dòng)和氣候變化的持續(xù)影響下,許多內(nèi)陸水體正面臨水質(zhì)惡化的問(wèn)題[1]。水質(zhì)監(jiān)測(cè)對(duì)控制水污染的延伸和維持水環(huán)境健康至關(guān)重要,是水環(huán)境管理的主要方法[2]。與傳統(tǒng)的水質(zhì)監(jiān)測(cè)方法相比,衛(wèi)星遙感技術(shù)不但具有周期性觀測(cè)、效率高和成本低等優(yōu)點(diǎn),能夠滿(mǎn)足大范圍水質(zhì)同步監(jiān)測(cè)需求,而且可以揭示常規(guī)措施難以發(fā)現(xiàn)的污染物遷移分布特征[3]。

Sentinel-2/MSI衛(wèi)星數(shù)據(jù)由于獲取免費(fèi)且空間分辨率高,被廣泛應(yīng)用于遙感水質(zhì)監(jiān)測(cè)[4-5]。但該衛(wèi)星多光譜波段的空間分辨率并不一致,包括10 m、20 m和60 m。通常,使用全波段數(shù)據(jù)時(shí)會(huì)將Sentinel-2/MSI的空間分辨率重采樣至10 m。但傳統(tǒng)的空間域重采樣算法,如最近鄰、雙線性或雙三次插值(bicubic)等,未利用光譜域信息,難以有效降低波段中混合像元的數(shù)量[6]。近年來(lái),針對(duì)Sentinel-2影像結(jié)合光譜域和空間域的插值算法逐漸得到發(fā)展。傳統(tǒng)算法方面,SupReMe(super-resolution for multispectral multiresolution estimation)算法通過(guò)對(duì)Sentinel-2高分辨率波段紋理信息進(jìn)行編碼并傳遞給低分辨率波段作為規(guī)則器,同時(shí)在光譜維上求解一個(gè)凸優(yōu)化問(wèn)題,以實(shí)現(xiàn)影像的超分辨重建[7]。深度學(xué)習(xí)算法方面,Lanaras等[8]基于波段融合思想,利用殘差神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)低/高分辨率圖像間的紋理映射關(guān)系,融合空間及光譜信息對(duì)全局進(jìn)行回歸訓(xùn)練,實(shí)現(xiàn)Sentinel-2/MSI L1C大氣頂層反射率影像的超分辨重建,并將此算法命名為Dsen2。Dsen2不僅能降低空間異質(zhì)性,而且能出色的保留光譜特征。然而Dsen2神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)單一,仍有一定改進(jìn)空間,比如通過(guò)注意力機(jī)制對(duì)模型中的重要特征賦予權(quán)值,能夠使信息提取過(guò)程更為有效,起到優(yōu)化模型的作用[9]。

水質(zhì)遙感監(jiān)測(cè)通過(guò)探究水體的反射率、散射系數(shù)和吸收系數(shù)等光學(xué)特性與對(duì)應(yīng)實(shí)測(cè)水質(zhì)參數(shù)之間的關(guān)系,建立水質(zhì)遙感反演模型,從而獲得整個(gè)水域水質(zhì)參數(shù)的空間分布情況和濃度變化趨勢(shì)[10]。反映水質(zhì)的參數(shù)主要有葉綠素、總磷、總氮、濁度、氨氮和高錳酸鹽指數(shù)(CODMn)等。這些參數(shù)與水生態(tài)環(huán)境息息相關(guān),其值不在正常范圍時(shí),水生動(dòng)植物的生活環(huán)境會(huì)受到影響[11]。估算水質(zhì)參數(shù)含量的遙感方法較多,主要有經(jīng)驗(yàn)方法[12]、半解析方法[13]、機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法。近年來(lái),由于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)具有更高的預(yù)測(cè)精度,已被廣泛應(yīng)用于水質(zhì)遙感監(jiān)測(cè)領(lǐng)域[14-15],前者集成度較高,難以有所創(chuàng)新,后者更復(fù)雜,應(yīng)用潛力更高,有望實(shí)現(xiàn)更智能的水質(zhì)監(jiān)測(cè)。

本研究在Dsen2深度學(xué)習(xí)模型的基礎(chǔ)上,結(jié)合卷積注意模塊(convolutional block attention module,CBAM)進(jìn)行遷移學(xué)習(xí),對(duì)低分辨率波段(>10 m)進(jìn)行超分辨率重建;研究超分辨率算法在水質(zhì)參數(shù)定量反演中的應(yīng)用成效,分析影像重建前后對(duì)水質(zhì)參數(shù)的敏感性;構(gòu)建多種回歸模型,對(duì)比影像重建前后水質(zhì)參數(shù)的反演精度,最后選取最優(yōu)模型進(jìn)行制圖。本研究成果可為精細(xì)化水質(zhì)遙感監(jiān)測(cè)提供方法借鑒與數(shù)據(jù)支撐。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)域

上海市緊鄰長(zhǎng)江口,平均海拔2.19 m,屬于亞熱帶季風(fēng)氣候,四季分明;水系眾多,河網(wǎng)密布,存在約14 000條河流;最大內(nèi)陸河為黃浦江,長(zhǎng)82.5 km,發(fā)源于淀山湖,上游以農(nóng)業(yè)區(qū)為主,下游則以城鎮(zhèn)區(qū)為主,最后匯入長(zhǎng)江。上海市除眾多河流外,且有許多湖泊、水庫(kù)及水塘等。

1.2 數(shù)據(jù)及預(yù)處理

1)水質(zhì)數(shù)據(jù)。內(nèi)陸水體的水質(zhì)參數(shù)以總氮、總磷、氨氮、CODMn和濁度為例,其數(shù)據(jù)來(lái)源于國(guó)家科技基礎(chǔ)條件平臺(tái)—國(guó)家地球系統(tǒng)科學(xué)數(shù)據(jù)中心(https://www.geodata.cn/[2022-03-01])及青悅數(shù)據(jù)(https://www.epmap.org/[2022-03-01])。監(jiān)測(cè)站點(diǎn)主要分布于上海黃埔江(表1),監(jiān)測(cè)時(shí)間從2020年11月至2021年11月。去除離散異常值后,分別獲得330個(gè)總氮、238個(gè)總磷、252個(gè)氨氮、274個(gè)CODMn和351個(gè)濁度數(shù)據(jù)。

2)遙感數(shù)據(jù)及預(yù)處理。Sentinel-2/MSI是極軌雙星,有A、B兩顆衛(wèi)星,聯(lián)合重訪周期為5 d,搭載13個(gè)光譜波段的多光譜成像儀。根據(jù)水質(zhì)數(shù)據(jù)采集的時(shí)間和站點(diǎn)匹配衛(wèi)星數(shù)據(jù),水質(zhì)采樣與Sentinel-2/MSI衛(wèi)星過(guò)境時(shí)間差應(yīng)小于4 h,據(jù)此共匹配并下載103景Sentinel-2/MSI的L1C產(chǎn)品(https://scihub.copernicus.eu/dhus/#/home[2022-03-01])。L1C產(chǎn)品需大氣校正以消除大氣作用,獲取地表真實(shí)的反射率信息。眾多學(xué)者使用Sentinel-2影像時(shí),對(duì)比了不同大氣校正算法如6S、Sen2Cor、Acolite,考慮水體、建筑物、植被等區(qū)域因素,Sen2cor均表現(xiàn)出不錯(cuò)的精度[16-17]。因此本文使用SNAP軟件(http://step.esa.int/main/download/snap-download/)中的Sen2Cor算法對(duì)L1C影像進(jìn)行大氣校正,將大氣表觀反射率轉(zhuǎn)換成地表反射率,以輸出L2A產(chǎn)品。

假設(shè)實(shí)測(cè)水質(zhì)參數(shù)對(duì)應(yīng)影像周?chē)?0 m×50 m的水體反射率具有函數(shù)映射關(guān)系,因此建立以監(jiān)測(cè)站點(diǎn)為中心,邊長(zhǎng)為50 m的正方形,并提取每個(gè)實(shí)測(cè)水質(zhì)參數(shù)對(duì)應(yīng)影像的反射率值。使用改進(jìn)的歸一化水體指數(shù)[18]提取水體,相比于歸一化水體指數(shù),該指數(shù)可消除建筑物的影響。

在提取水體后,由于原始天頂反射率數(shù)據(jù)的問(wèn)題,大氣校正后,影像地表反射率數(shù)據(jù)仍存在異常值,本研究采用表觀可見(jiàn)波長(zhǎng)(apparent visible wavelength,AVW)[19]指數(shù)來(lái)去除。AVW指數(shù)利用加權(quán)調(diào)和平均的方法對(duì)可見(jiàn)光光譜反射率進(jìn)行計(jì)算,其值與每個(gè)波段反射率的權(quán)重有關(guān),能反映光譜形狀,在一定程度上也可反映水色類(lèi)型。計(jì)算AVW值,其中正常水體反射率計(jì)算的AVW值占比更大,取其眾數(shù)位置上的反射率以去除異常值。AVW的計(jì)算如式(1)所示。

(1)

式中:R為各波段反射率值;λi為第i個(gè)波段的波長(zhǎng)。

2 研究方法

2.1 基于遷移學(xué)習(xí)的超分辨率重建模型

本研究采用Dsen2算法提升Sentinel-2/MSI空間分辨率,探究超分辨技術(shù)對(duì)水質(zhì)遙感監(jiān)測(cè)的影響程度。該方法假設(shè)具有不同地面采樣距離(ground sampling distance,GSD)的波段之間的量度關(guān)系在相關(guān)標(biāo)度范圍內(nèi)是自相似的[20],即尺度不變性,意味著分辨率20 m→10 m和40 m→20 m、60 m→10 m和360 m→60 m之間的映射基本一致,在一定比例范圍內(nèi),該方法可將Sentinel-2/MSI所有低分辨率波段提升至10 m。本研究假設(shè)Dsen2算法邏輯可應(yīng)用于Sentinel-2 L2A產(chǎn)品。因此,采用基于模型的遷移學(xué)習(xí)方法賦予預(yù)訓(xùn)練權(quán)值,提升訓(xùn)練效率。在此基礎(chǔ)上,引入CBAM進(jìn)行全局注意,CBAM模塊會(huì)將輸入特征依次進(jìn)行一維壓縮和二維壓縮,分別對(duì)通道和空間推算注意力圖,然后將注意力圖與輸入特征圖相乘,傳輸重要特征信息,以進(jìn)行自適應(yīng)特征選擇[21],從而優(yōu)化深度學(xué)習(xí)模型。新模型命名為哨兵2殘差卷積注意(Sentinel-2/MSI resblock convolutional attention,S2RESCA)模型。

為了簡(jiǎn)化符號(hào),以s倍超分辨率重建模型為例,首先對(duì)原始影像進(jìn)行高斯模糊處理,模擬其調(diào)制傳遞函數(shù),通過(guò)對(duì)s×s窗口取平均來(lái)下采樣,獲取低分辨率真實(shí)影像。當(dāng)s=6時(shí),將具有相同分辨率的波段分為3組:A=(B2,B3,B4,B8)(GSD=60 m),B=(B5,B6,B7,B8A,B11,B12)(GSD=120 m),C=(B1,B9)(GSD=360 m)。在進(jìn)行訓(xùn)練時(shí),C上采樣的高頻信息來(lái)源于A、B、C耦合的多尺度特征。假設(shè)A中高分辨率波段的空間維度為W×H,可表示為式(2)。

(2)

式中:Ca∈R2×W×H,為生成的空間分辨率為60 m的超分辨圖像。

如圖1所示,模型結(jié)構(gòu)的主要組成部分是卷積層(Conv)、非線性激活函數(shù)(ReLU)、殘差神經(jīng)網(wǎng)絡(luò)模塊(Resblock)以及CBAM。B、C分別為通過(guò)Bicubic上采樣得到Y(jié)b、Yc。模型訓(xùn)練數(shù)據(jù)為[A,Yb,Yc](GSD=60 m),其空間分辨率一致;令原始影像波段為標(biāo)簽數(shù)據(jù)Cx(GSD=60 m)。

圖1 深度學(xué)習(xí)超分辨率重建算法過(guò)程

將Yc與經(jīng)過(guò)網(wǎng)絡(luò)提取的高頻特征信息通過(guò)跳越連接進(jìn)行融合,即可得到超分辨率重建影像,如式(3)所示。

Ca=Yc+R(Cx,Yc)

(3)

式中:R(Cx,Yc)為低/高分辨率之間的非線性映射,本質(zhì)上是高分辨率影像具有的高頻信息,空間維度為2×W×H,模型輸出Ca(GSD=60 m)即為“超分辨率重建影像”,其與C(GSD=360 m)對(duì)應(yīng),可與Cx作比較,以評(píng)估模型的性能。當(dāng)s=2時(shí),B上采樣的信息來(lái)自A和B,其原理及配置均與6倍神經(jīng)網(wǎng)絡(luò)一致。

采用均方根誤差(RMSE)以及信號(hào)與重構(gòu)誤差比(signal to reconstruction error ratio,SRE)評(píng)估超分辨率重建模型的效果。RMSE越小,SRE越大,說(shuō)明模型重建結(jié)果越接近真實(shí)圖像,模型精度越高。

2.2 水質(zhì)參數(shù)反演模型

1) 統(tǒng)計(jì)回歸模型。利用指數(shù)、冪指數(shù)、線性及多項(xiàng)式等方法(表2)對(duì)水質(zhì)參數(shù)(總氮、總磷、濁度、氨氮及高錳酸鹽指數(shù))建立統(tǒng)計(jì)回歸模型,其自變量為波段或波段組合(A-B、A+B、A/B、(A-B)/(A+B),A與B表示不同的隨機(jī)波段)。

表2 統(tǒng)計(jì)回歸模型

2)深度神經(jīng)網(wǎng)絡(luò)模型。具有光學(xué)敏感信號(hào)的水色參數(shù)有懸浮物濃度、浮游植物色素濃度、有色溶解有機(jī)物(CDOM)等。CODMn的光學(xué)信號(hào)呈現(xiàn)弱敏感特征,總氮、總磷及氨氮屬于非光敏信號(hào)水質(zhì)參數(shù),盡管其與水色參數(shù)可能存在共變關(guān)系,但是常規(guī)的單、多元線性回歸模型難以構(gòu)建衛(wèi)星數(shù)據(jù)與水質(zhì)參數(shù)數(shù)據(jù)之間的量化關(guān)系。相較而言,機(jī)器學(xué)習(xí)或深度學(xué)習(xí)算法能更好地表達(dá)衛(wèi)星數(shù)據(jù)與水質(zhì)參數(shù)之間潛在的復(fù)雜關(guān)系,以犧牲解釋性為代價(jià),構(gòu)建精度更高的反演模型,具有更好的預(yù)測(cè)性。Peterson等[22]研究發(fā)現(xiàn)逐級(jí)衰減深度神經(jīng)網(wǎng)絡(luò)模型(pDNN)在水質(zhì)定量反演中具有相當(dāng)不錯(cuò)的穩(wěn)健性,其模型增加了第二層神經(jīng)元數(shù)量以擴(kuò)大特征搜索范圍,并開(kāi)始逐級(jí)遞減。為此,本研究通過(guò)Tensorflow和Keras構(gòu)建了一個(gè)具有多個(gè)隱藏層的pDNN模型,相比于淺層神經(jīng)網(wǎng)絡(luò),可提取更深層次的特征。該模型包含6個(gè)全連接層,神經(jīng)元數(shù)量依次為[12,48,32,16,8,1],輸入層的數(shù)據(jù)為與水質(zhì)參數(shù)相關(guān)性較高的光譜特征,輸出層為水質(zhì)參數(shù)濃度。調(diào)用線性激活函數(shù)(ReLU)來(lái)傳遞權(quán)重,優(yōu)化器為均方根傳遞(RMSprop)算法,損失函數(shù)為均方根誤差,學(xué)習(xí)率Lr的初始值為10-3,設(shè)置為自適應(yīng)調(diào)整,在訓(xùn)練批次中損失10次不變時(shí),按式(4)自動(dòng)降低學(xué)習(xí)率,防止陷入局部最優(yōu)。模型通過(guò)絕對(duì)系數(shù)(R2)、RMSE和對(duì)稱(chēng)平均絕對(duì)百分比誤差(symmetric mean absolute percentage error,sMAPE)進(jìn)行評(píng)價(jià)。

Lrnew=Lr×factor

(4)

式中:Lrnew為新的學(xué)習(xí)率;factor為衰減系數(shù),一般取0.1。

具體研究方法主要包括3個(gè)部分:超分辨重建方法對(duì)比、水質(zhì)遙感反演回歸模型對(duì)比、水質(zhì)參數(shù)濃度預(yù)測(cè)和制圖分析,流程如圖2所示。

圖2 基于Sentinel-2/MSI超分辨率重建及水質(zhì)遙感反演研究的流程

3 結(jié)果與分析

3.1 超分辨重建方法與質(zhì)量評(píng)價(jià)

1)超分辨重建方法的定量評(píng)價(jià)。當(dāng)s=6時(shí),利用10景影像訓(xùn)練S2RESCA及Dsen2模型,根據(jù)最高分辨率波段對(duì)每一景影像隨機(jī)采取500個(gè)影像塊,尺寸為192像素×192像素,共獲取2 000個(gè)影像塊,90%用于訓(xùn)練,剩余10%用作驗(yàn)證。當(dāng)s=2時(shí),影像塊由A和B組成,尺寸為32像素×32像素,其余均一致。Dsen2和S2RESCA均基于遷移學(xué)習(xí)訓(xùn)練2 250次,訓(xùn)練批次為16,初始學(xué)習(xí)率為10-4,損失在10次不變時(shí),當(dāng)前學(xué)習(xí)率會(huì)乘以衰減系數(shù)0.1來(lái)自動(dòng)減小。采用平均絕對(duì)誤差(MAE)作為L(zhǎng)1損失函數(shù),有助于生成高頻紋理信息,增強(qiáng)空間細(xì)節(jié);采用梯度下降優(yōu)化算法Nadam作為優(yōu)化器,有助于增加穩(wěn)定性和學(xué)習(xí)效率,采用均方根誤差(MSE)測(cè)量損失。實(shí)驗(yàn)在GTX1660s進(jìn)行,Python Tensorflow2.0編程實(shí)現(xiàn)。

在S2RESCA及Dsen2模型訓(xùn)練完成之后,按式(2),定量評(píng)價(jià)4種影像重建方法在20 m和60 m波段上的結(jié)果。結(jié)果如表3所示,加粗字體為本研究提出的方法。其中S2RESCA訓(xùn)練過(guò)程的損失變化情況如圖3所示,隨著迭代次數(shù)的增加,訓(xùn)練與驗(yàn)證損失同步下降。

圖3 S2RESCA模型訓(xùn)練過(guò)程MSE損失變化情況

表3 4種方法重建影像后各波段的RMSE、SRE結(jié)果

相比于原始Dsen2神經(jīng)網(wǎng)絡(luò)模型,S2RESCA模型在各波段上均有較好的表現(xiàn),B1和B9(60 m)質(zhì)量提升明顯,RMSE整體降低15.3%,SRE提升1.16%;其余波段(20 m)RMSE整體降低5.1%,SRE無(wú)明顯差別,表明S2RESCA模型重建影像在數(shù)值上更接近真實(shí)值。SupReMe重建影像各波段的RMSE均比Bicubic低,其整體的SRE僅比Dsen2低3.6%,重建效果也不錯(cuò)。圖4(c)～圖4(f)顯示了4種算法應(yīng)用于同一原始影像生成空間分辨率為10 m的影像結(jié)果。對(duì)于寬度在120～240 m范圍的河流,空間分辨率為60 m的B1和B9波段(圖4(b)),僅2～4個(gè)像素覆蓋。當(dāng)水域?qū)挾刃∮?0個(gè)像素時(shí),則該區(qū)域影像像元易受鄰近效應(yīng)的影響。相比于圖4(b)、圖4(c),圖4(d)、圖4(e)、圖4(f)池塘或河流邊緣更為清晰,紋理細(xì)節(jié)明顯增強(qiáng)。綜合考慮RMSE、SRE及清晰度,4種方法的重建精度是S2RESCA>Dsen2>SupReMe>Bicubic,S2RESCA方法重建的影像更接近真實(shí)情況。故本研究采用S2RESCA方法對(duì)Sentinel-2/MSI進(jìn)行超分辨率重建,并研究對(duì)水質(zhì)反演精度的影響。

圖4 4種算法對(duì)60 m波段重建到10 m的合成顯示圖結(jié)果

2) S2RESCA超分辨率重建影像的質(zhì)量評(píng)價(jià)。采用變異系數(shù)(coefficient of variation,CV)分析影像重建前后水域與近岸像元的空間異質(zhì)性,CV為數(shù)據(jù)標(biāo)準(zhǔn)差與數(shù)據(jù)平均數(shù)的比的百分值,可檢測(cè)像元的離散程度,是一個(gè)無(wú)量綱的值,可消除測(cè)量尺度和量綱的影響[23]。以水域?yàn)槔?根據(jù)真彩色影像裁剪河岸邊緣內(nèi)較為均一的水體區(qū)域(圖5),研究發(fā)現(xiàn),遠(yuǎn)離岸邊的水體,其超分辨率重建影像與原始影像各波段的CV變化基本一致(區(qū)域1、區(qū)域3),表明影像重建前、后空間異質(zhì)性變化基本一致,鄰近效應(yīng)可忽略不計(jì);而近岸水體(區(qū)域2、區(qū)域4),重建影像各波段的CV均小于原始影像,且分辨率越低的波段(B1、B9),CV降低更為明顯,表明空間異質(zhì)性明顯降低。整體而言,原始影像超分辨率重建后,其20 m波段CV降低7.6%,60 m波段CV降低31.6%。

圖5 影像重建前后各波段變異系數(shù)對(duì)比結(jié)果

3.2 水質(zhì)反演及評(píng)價(jià)

1)水質(zhì)參數(shù)特征波段。濁度的敏感波段一般在可見(jiàn)光范圍內(nèi),因此需要去掉780 nm后的波段,其他參數(shù)則需去掉B11、B12遠(yuǎn)紅外波段,剩余波段通過(guò)遍歷兩波段組合,計(jì)算影像重建前后每組最優(yōu)波段組合與不同實(shí)測(cè)水質(zhì)參數(shù)的相關(guān)系數(shù)絕對(duì)值,繪制二者對(duì)應(yīng)波段組合的相關(guān)系數(shù)差值矩陣熱力圖來(lái)進(jìn)行敏感性分析(圖6),并去除差值小于等于0的區(qū)域。各實(shí)測(cè)水質(zhì)參數(shù)的樣本數(shù)量與對(duì)應(yīng)的每組特征波段數(shù)量均為80個(gè)。如圖6所示,濁度無(wú)明顯變化,氨氮、CODMn、總氮和總磷的相關(guān)性分別在含有B1與B8、B7與B8、B1與B8A和B1的波段組合中明顯增強(qiáng);最高提升的相關(guān)系數(shù)分別為0.086、0.082、0.169和0.089。差值矩陣表明,相關(guān)系數(shù)明顯升高的波段組合與參數(shù)的敏感性更高。濁度、氨氮、CODMn、總氮和總磷與原始影像相關(guān)系數(shù)最高分別為0.668、0.725、0.368、0.687及0.639,與重建影像相關(guān)系數(shù)最高分別為0.668、0.725、0.467、0.726及0.707。重建影像與各參數(shù)的最高相關(guān)系數(shù)均高于或等于原始影像,并達(dá)到顯著水平(p<0.05)。根據(jù)相關(guān)系數(shù)降序做特征選擇(表4),選取前10個(gè)特征波段,氨氮、CODMn、總氮、總磷的特征波段中主要含有的波段分別為B4與B8、B7與B8、B1、B1,與圖8中相關(guān)系數(shù)明顯升高的特征波段相比,二者均有共同波段(B8、B7與B8、B1、B1),表明應(yīng)用深度學(xué)習(xí)超分辨算法可提高影像與不同參數(shù)的相關(guān)性,且基本上使其最佳特征波段的相關(guān)系數(shù)得到顯著提高。

圖6 超分辨影像與原始影像之間各水質(zhì)參數(shù)與兩波段組合或波段的相關(guān)系數(shù)差值矩陣

表4 各水質(zhì)參數(shù)前10個(gè)特征波段

2)水質(zhì)遙感反演模型及評(píng)價(jià)。分別構(gòu)建單元線性、多元線性及DNN回歸模型對(duì)濁度、CODMn、總氮、總磷及氨氮參數(shù)進(jìn)行遙感反演。單元回歸模型自變量為表4各參數(shù)首個(gè)相關(guān)性最高的特征波段。多元回歸模型和DNN模型自變量為表4中所有特征波段,其中DNN模型訓(xùn)練5 000次。每種參數(shù)的實(shí)測(cè)樣本以及對(duì)應(yīng)的特征波段均為160個(gè),打亂順序后,60%用于構(gòu)建模型,40%用于驗(yàn)證,計(jì)算實(shí)測(cè)值與預(yù)測(cè)值的R2、RMSE及sMAPE。

3種模型的結(jié)果表明(表5),基于超分辨率影像構(gòu)建的水質(zhì)反演模型精度均高于原始影像。相比于原始影像,3種模型基于超分辨率影像反演的濁度、CODMn、總氮、總磷及氨氮,平均RMSE分別降低了2.31%、11.03%、8.09%、13.33%及4.25%,平均sMAPE分別降低了7.03%、4.88%、11.85%、8.41%及1.38%。3種模型中,DNN模型精度最高,在水質(zhì)遙感監(jiān)測(cè)中具有較大優(yōu)勢(shì),最差的是單元統(tǒng)計(jì)回歸模型?；诔直嬗跋?DNN模型反演水質(zhì)參數(shù)實(shí)測(cè)值與預(yù)測(cè)值的散點(diǎn)分布情況如圖7所示,各參數(shù)的分布較為均勻,模型未出現(xiàn)過(guò)飽和現(xiàn)象,具有良好的穩(wěn)定性。

圖7 水質(zhì)參數(shù)DNN模型實(shí)測(cè)值與預(yù)測(cè)值的擬合結(jié)果

表5 3種模型對(duì)影像重建前后的水質(zhì)遙感反演精度評(píng)價(jià)結(jié)果

3.3 水質(zhì)參數(shù)制圖與分析

為了檢驗(yàn)DNN模型的推廣適用性,使用2021年2月7日位于上海市的一景Sentinel-2/MSI影像進(jìn)行水質(zhì)參數(shù)反演制圖,主要區(qū)域包含黃浦江、蘭香湖、淀山湖。采用地表水環(huán)境質(zhì)量標(biāo)準(zhǔn)(GB 3838—2002、GHZB1—1999)將水質(zhì)分為5類(lèi),并進(jìn)行評(píng)價(jià)。

黃浦江結(jié)果顯示,黃浦江水體的濁度、CODMn、總氮、總磷及氨氮的反演制圖(圖8(b)～圖8(f))的大部分水體處于健康狀態(tài),整體較為清潔干凈,與上海市水資源公報(bào)的結(jié)果一致。如圖8(c)所示,CODMn的濃度均在Ⅱ類(lèi)水質(zhì)范圍內(nèi),屬于健康范圍?？偭椎乃|(zhì)級(jí)別從Ⅰ級(jí)到Ⅳ級(jí)不等,值得注意的是,磷主要來(lái)源于人類(lèi)產(chǎn)生的含磷城市污水或者含磷化肥,從圖8(e)可以看出,城鎮(zhèn)區(qū)域的總磷含量明顯高于郊區(qū),表明生活污水的排放會(huì)影響城鎮(zhèn)區(qū)域河段的總磷含量。圖8(d)總氮濃度與總磷濃度分布相似,圖8(f)氨氮的水質(zhì)級(jí)別從Ⅰ級(jí)到Ⅲ級(jí)不等,處于健康水平。

圖8 水質(zhì)參數(shù)濃度空間分布

圖8(g)～圖8(k)分別為濁度、CODMn、總氮、總磷及氨氮,帶有數(shù)字的圈表示水質(zhì)分類(lèi)級(jí)別。淀山湖與蘭香湖結(jié)果顯示,淀山湖(圖8(a)的標(biāo)識(shí)1)河口的濁度較大(圖8(g)),這主要是由于上游河口的流水?dāng)y帶了大量的泥沙,水向外延伸時(shí)泥沙逐漸沉淀,濁度下降,呈扇形分布。蘭香湖(圖8(a)的標(biāo)識(shí)2)各項(xiàng)水質(zhì)參數(shù)(圖8(g)～圖8(k))均達(dá)到Ⅰ類(lèi)水質(zhì)或Ⅱ類(lèi)水質(zhì)的標(biāo)準(zhǔn)。根據(jù)資料顯示,蘭香湖是一個(gè)人工生態(tài)湖泊,常處于清澈的狀態(tài),水質(zhì)普遍較好,在此類(lèi)較小型的水體反演制圖結(jié)果與實(shí)測(cè)資料基本一致。其他水質(zhì)參數(shù)在此也有類(lèi)似的分布紋理,與濁度有一定的關(guān)聯(lián)性。

4 結(jié)束語(yǔ)

本文提出了一種基于遷移學(xué)習(xí)結(jié)合注意力機(jī)制CBAM模塊的超分辨重建模型S2RESCA,通過(guò)降尺度方法,使用SRE與RMSE指標(biāo)對(duì)比了其他算法,該模型可對(duì)Sentinel-2/MSI地表反射率產(chǎn)品實(shí)現(xiàn)精度更高的超分辨率重建。所有重建波段與原始波段的RMSE均為最低,SRE均為最高,明顯提高了河湖的清晰度和空間細(xì)節(jié)。此外,本文評(píng)價(jià)了超分辨率重建影像的質(zhì)量及進(jìn)行水質(zhì)遙感反演的精度,得出以下結(jié)論。

1)影像通過(guò)S2RESCA模型重建后,近岸水體像元空間異質(zhì)性明顯降低。特別是B1和B9波段CV降低31.6%,其余波段CV降低7.6%。

2)水質(zhì)參數(shù)特征波段分析結(jié)果表明,濁度無(wú)明顯變化,CODMn、總氮、總磷和氨氮相關(guān)性最高的特征波段分別是含有B7與B8、B1、B1、B8的波段組合。影像超分辨率重建后,水質(zhì)參數(shù)相關(guān)系數(shù)提升明顯的均為相關(guān)性最高的特征波段,即為敏感性波段,分別提升0.082、0.169、0.089和0.086。

3)水質(zhì)參數(shù)遙感反演模型精度對(duì)比結(jié)果表明,對(duì)于濁度、CODMn、總氮、總磷和氨氮的超分辨率影像反演,各模型預(yù)測(cè)精度均有提升,其中DNN模型對(duì)各水質(zhì)參數(shù)的反演精度更高,R2分別為0.85、0.74、0.67、0.76和0.78。通過(guò)對(duì)上海市流域水系的水質(zhì)參數(shù)濃度制圖分析,黃浦江、蘭香湖及淀山湖水質(zhì)參數(shù)濃度分布與水環(huán)境的實(shí)際情況基本一致,驗(yàn)證了DNN模型在不同水域均可進(jìn)行有效的水質(zhì)評(píng)價(jià)。

本研究成果可實(shí)現(xiàn)時(shí)空連續(xù)的高分辨率(10 m)水質(zhì)參數(shù)濃度制圖,為地表水環(huán)境管理決策提供有用的監(jiān)測(cè)工具。相比水色參數(shù)SPM、Chla及CDOM,低光學(xué)信號(hào)水質(zhì)參數(shù)遙感反演影響因素更為復(fù)雜。盡管本文研究了深度學(xué)習(xí)超分辨率算法及水質(zhì)參數(shù)模型的影響,但水體顏色、水體類(lèi)型及水色參數(shù)等與其之間的共變關(guān)系仍有待研究。