河口区河网作为陆海交互的关键界面，其水环境质量直接关乎近岸海域生态安全与区域可持续发展。化学需氧量（COD）是表征河口区河网水体有机污染状况的核心水质参数，开展其遥感反演研究具有重要现实意义。然而，COD属于典型的低光学活性参数，缺乏明确、固定的可遥感识别光谱特征；加之受咸淡水交互、径潮耦合及高强度人类活动影响，河口区河网水体COD浓度遥感反演长期面临准确度低、实际验证数据匮乏、区域泛化性弱等挑战。针对上述问题，本文以珠江口河网为研究区，通过构建“地面-无人机-卫星”多源高光谱观测体系，系统开展河网水体COD浓度的高光谱响应机制解析、反演模型构建与多尺度适用性评估研究，主要成果如下： 一、建立了覆盖丰枯水期的多类型水体光谱与水质同步数据集。累计采集498组有效样本，涵盖研究区外江大河、内河涌、封闭水体等典型类型和高度差异化的水质特征；通过光谱预处理与特征分析，分析COD浓度对水体光谱反射率的影响特征，识别出650~720nm波段为关键敏感波段区间。 二、构建并比选了多类COD反演模型。综合比较了统计分析、机器学习与深度学习等多种建模方法，结果表明，基于原始光谱的一维卷积神经网络（1D-CNN）模型兼具低系统性偏差和较高准确度（R2=0.75，RMSE=5.32mg·L-1），综合性能最优；基于原始光谱的支持向量机（SVM）模型与导数光谱波段比值模型亦具有较高准确度（最优R2分别为0.74、0.68）；而偏最小二乘回归（PLSR）与随机森林（Random Forest）模型反演效果较差（R2≤0.50）。 三、系统验证了模型稳定性与可解释性。通过噪声添加、数据偏移、波段掩码等扰动实验，证实1D-CNN模型对随机噪声、光谱滤波和波段缺失均具有强鲁棒性，尤其对负向基线偏移的适应性显著优于SVM模型；引入基于SHAP的模型可解释性分析方法，揭示了1D-CNN模型的决策机制：713.3nm与675.6nm附近的波段是核心驱动因子，其贡献极性随样本特征呈现系统性反转，证实了悬浮颗粒物与浮游植物的含量直接或间接主导了研究区水体的COD水平，而模型通过有效捕捉由悬浮颗粒物与浮游植物主导的复杂光谱信号实现对COD浓度的反演。 四、实现了反演模型在多尺度数据中的迁移应用。在地基长期监测中，模型反演结果能有效反映断面COD浓度的月度变化趋势，与实测数据呈显著正相关；在无人机影像反演中，该模型可精准刻画从清洁主干河道到复杂水质河涌等不同类型水体的COD空间分布，并在水质混合锋面等复杂场景下保持良好的反演结果合理性；在PRISMA卫星影像应用中，成功区分丰枯水期水质差异，与基于自动监测站数据计算得出的水质综合指数显著相关，且应用于建模数据以外区域的卫星影像时仍保持良好适用性。 本研究揭示了珠江三角洲河网COD的高光谱响应机制，建立空天地一体化遥感监测技术流程，提出并验证了1D-CNN模型兼具准确度与鲁棒性，可为河口复杂河网水体COD的精准、高效遥感监测提供了技术路径与理论支撑。 |
学校主站