Assessment of Nutrient Distribution in River Ring Using Satellite Remote Sensing

Yong ZHANG; Yu ZHAN; Chuan-hua ZHU; Hao ZHOU; Chen YANG; Qun-lin HU; Guang-song XU; Si-man WANG; Hui WANG

China Rural Water and Hydropower ›› 2021 ›› (9) : 28-31,37.

Author information +

History +

Abstract

Eutrophication is a major problem in rivers and lakes all over the world. Regular monitoring of water quality and establishment of appropriate models are of great significance in the effective management of water eutrophication. The purpose of this study is to establish a remote sensing retrieval model for water quality and evaluate the nutrient distribution. of the Ring River.The mathematical model has been established by correlation analysis between the reflection value of Landsat-8 satellite images and the water quality values of field sampling.The results indicated that ：① The linear model is the best， which can predict the nutrient distribution of the water body， and the fitting degree of the inversion models for total nitrogen， total phosphorus and ammonia nitrogen are 0.823 0， 0.635 5 and 0.792 8， respectively； ② The best correlation between reflection and the measured values are band3 and band 4； ③ From the spatial perspective， the eutrophication level in the north of the Ring River is worse than the south， because it affected by surrounding environment that reside more population， and by the influx from South Fehe River which is polluted more seriously.

Key words

Landsat-8 / remote sensing retrieval model / eutrophication / water quality assessment

Cite this article

EndNote

Ris (Procite)

Bibtex

Download Citations

Yong ZHANG , Yu ZHAN , Chuan-hua ZHU , Hao ZHOU , Chen YANG , Qun-lin HU , Guang-song XU , Si-man WANG , Hui WANG. Assessment of Nutrient Distribution in River Ring Using Satellite Remote Sensing. China Rural Water and Hydropower. 2021, 0(9): 28-31,37

0 引言

水体中存在的过量营养物质会导致藻类大量繁殖，从而破坏水体的生态系统，是淡水系统如湖泊、河流面临的最紧迫的问题之一。尽管政府正在努力减少周围城市废水排放和农业径流带来的富营养化问题，但富营养化仍然是我国水域目前面临的一个严重问题^{［1， 2］}。水体富营养化与氮磷污染物密切相关，污染物浓度是评价水质条件的重要指标，控制水体的氮磷污染对水环境治理至关重要^［3］。如果可以量化营养物质的空间分布，就可以更好地对污染物实施管理，以减轻水体的富营养化。在此背景下，传统的野外采样测量方法耗费成本高、难度大、用时长、缺乏整体代表性，某些采样地因地理条件恶劣导致采样困难等问题。但遥感技术的发展有潜力解决传统采样方法带来的成本、时间等问题，也可以提供整个水体的广泛覆盖，已经广泛应用于内陆湖泊、沿海岸线的水质、水生植被的监测^［4-13］，但空间小尺度的景观水体监测尚未见报道。本研究以合肥市环城河为研究对象，结合Landsat-8卫星影像和地面采样数据，建立水质反演模型，预测未来的水体氮磷元素浓度分布规律^［14］，并对其进行了富营养化评价，以期为城市景观水体监测和综合治理提供技术支撑。

1 材料与方法

1.1 研究区域

如图1环城河位于合肥市主城区内，前身为古庐州城的护城河，环城河水体长度约5 600 m，平均深度1.5 m，平均宽度约50 m。环城河北段属于南淝河干流的一部分，南段因城市建设被分割成黑池坝、雨花塘、包河等几部分。

Fig.1 Distribution of sampling points

图1 采样点分布

Full size|PPT slide

根据2015-2018年于环城河水体取样监测的数据来看，这几年环城河污染情况依旧严重，整体呈现中度乃至重度富营养化状态。其中，环城河北段水质要明显劣于南段，夏秋季节水质劣于春冬季节。长期以来，环城河水体的补充水源都以天然降雨以及城市污水再生工程的中水回用为主，且其自身净化能力较弱。

1.2 数据收集

如图1在环城河水体范围内布置9个采样点，分别于2017年10月28日和2018年12月22日在环城河各取样点位采集了水样，并在取样24 h内在实验室测量了主要的水质指标。

Landsat-8卫星影像数据在地理空间数据云（http：//www.gscloud.cn/）下载，由于Landsat-8卫星的运行周期为16 d，且大气层的云量会对卫星影像产生一定的影响，所以选取与地面实地采样日期较为接近且云量较少的影像。

1.3 卫星影像的预处理

卫星影像的数据处理工作在软件ENVI5.3（The Environment for Visualizing Images）中完成，B1～B7波段参与模型构建。建模前对影像进行辐射定标和大气校正处理^{［10，11，15］}，获取地物大气表观反射率（top-of- atmosphere reflectance）。

1.4 反演模型的构建

经过ENVI软件预处理后得到的卫星影像进行单波段值提取^［16］，主要是B1～B7七个波段，分别将这7个单波段值与2017年实测的9个点位的总氮浓度值做Pearson相关性分析，得出相关性最高的几个单波段值：B3、B4，再对相关性较高的单波段值做波段组合^［11］，其主要形式为Bi、Bi+Bj、Bi-Bj、Bi*Bj、Bi/Bj、1/Bi等，波段组合后再次进行相关性分析，选取单波段及波段组合后相关性最高的波段组合，与实测的总氮数据建立数学模型，主要有线性模型、对数指数模型、多项式模型等，选出其拟合值R² 最高的几组作为研究对象，再将这几组模型应用到2018年卫星影像的波段组合中，得到一组总氮浓度的反演值，把此反演结果与2018年实测数据对比，并做均方根误差（RMSE）检验，最终选出其误差值最小的一组模型。对总磷、氨氮做同样的反演过程，也得到两组最佳的反演模型。总氮、总磷、氨氮浓度的反演模型如表1。

Tab.1 Inversion model of total nitrogen， total phosphorus and ammonia nitrogen concentration

表1 总氮、总磷、氨氮浓度反演模型

自变量x	数学模型	拟合度R ²
自变量x	数学模型	总氮	总磷	氨氮
B3	线性	0.699 8	0.642 1	0.647 6
	对数	0.728 3	0.666 7	0.658 5
	多项式	0.759 2	0.698 4	0.673 2
B4	线性	0.631 5	0.572 1	0.565 5
	对数	0.644 6	0.581 5	0. 563 9
	多项式	0.655 1	0.591 4	0.569 5
B3-b4	线性	0.697 2	0.647 9	0.666 6
	对数	0.738 8	0.689 2	0. 690 9
	多项式	0.779 0	0.740 3	0.712 6
1/B3	线性	0.726 4	0.661 4	0.640 0
	对数	0.728 3	0.666 7	0. 658 5
	多项式	0.738 7	0.679 1	0.678 8
1/B4	线性	0.638 5	0.572 3	0.544 7
	对数	0.644 6	0.581 5	0. 563 9
	多项式	0.650 3	0.589 8	0.581 8

2 结果与分析

2.1 遥感最优模型

环城河2018年总氮、总磷、氨氮的最佳反演模型情况如表2所示，反演模型都是线性模型的效果最佳，模型拟合的R²^［17］分别达到了0.823 0、0.635 5、0.792 8，都处于较高水平，相比之下，TP的模型拟合度略低于TN和NH₃-N。均方根误差分别为2.50、0.37、1.75^［18］，均为误差最小的模型^［19］。

Tab.2 Inversion model statistical results

表2 反演模型统计结果

反演模型	TN	TP	NH₃-N
类型	线性	线性	线性
公式	y=14 315x-17.34	y=1 054x-1.2168	y=8 796.7x-11.244
R ²	0.823 0	0.635 5	0.792 8
RMSE	2.501 153	0.371 444	1.752 716

2.2 精度验证

从3种模型的反演结果上看，虽然一些点有些许偏差，但总体误差都在可接受范围^［8］，模型拟合的R²值均在0.6以上，尤其是TN和NH₃-N模型的拟合度达到了0.8左右。结果表明，这3种反演模型的应用是符合实际的^［6］。总氮、总磷、氨氮的模型验证分别如图2所示。

Fig.2 Water quality index model validates

图2 水质指标模型验证

Full size|PPT slide

2.3 富营养物空间分布

图3显示了最佳模型应用到卫星影像上得到的3种富营养指标的反演浓度分布图，从整体上看，总氮、总磷、氨氮的浓度在环城河中都呈现出北段水体污染程度高于南段的情况，尤其是环城河北段的中东部污染最严重，而总氮、总磷、氨氮在不同位置上污染程度的区别并无太大差异。

Fig.3 The concentration map of water quality index of Ring River in 2018

图3 环城河2018年水质指标浓度分布图

Full size|PPT slide

2.4 水体营养状态评估

水体富营养化评价的方法有很多，本文采用的水体营养状态评价方法是营养评分模式^［20］，其计算方法公式（1）所示。

M = \frac{1}{N} \sum_{i = 1}^{N} M_{j}

（1）

式中：M为富营养化程度评分值；M_i 为第i个评价参数的评分值；N为评价参数的个数。

根据Landsat-8卫星影像数据以及之前得到的水质参数反演模型，对反演所得到的水质参数浓度运用评分法进行富营养化评价，其反演浓度与营养状态评价如表3所示。

Tab.3 Inversion results of water quality indexes and eutrophication evaluation at each point

表3 各点水质指标反演结果与富营养化评价

位置点号	总氮/（mg·L^-1）	总磷/（mg·L^-1）	氨氮/（mg·L^-1）	评分值M	评价结果
1	0.096 1	0.067 0	0.116 4	33	中营养
2	5.454 6	0.461 5	0.445 3	57	富营养
3	6.800 0	0.560 6	2.268 0	70	极富营养
4	4.025 7	0.356 3	0.542 8	63	极富营养
5	0.849 3	0.122 5	0.169 1	50	中-富营养
6	1.926 5	0.201 8	0.274 4	57	富营养
7	10.728 6	0.849 9	2.889 0	70	极富营养
8	10.402 2	0.825 8	4.791 9	70	极富营养
9	19.649 7	1.506 7	9.271 3	70	极富营养

如图4所示为2018年环城河水体富营养化分布图，可以看出环城河北段水体的营养程度要远远高于环城河南段水体，而环城河西南段水体水质要远远好于其他部分水体，这与之前3种指标单独分析的结果基本一致。

Fig.4 Water nutrition distribution map of the Ring River in 2018

图4 环城河2018年水体营养分布图

Full size|PPT slide

3 结论

本文基于环城河水体实测数据和Landsat-8卫星影像的光谱各波段值，分析了波段值与2017年总氮、总磷、氨氮等水质指标实测值的相关性，分别选出了与3种水质指标拟合效果最好的波段情况，确立反演模型，并将模型应用到2018年的卫星影像上，并对2018年的水体情况进行富营养化评价。得出了以下几条结论。

（1）对于环城河水体而言，总氮、总磷、氨氮三种水质指标，B3、B4波段与实测值的相关性都要优其他波段。

（2）虽然对数、指数和多项式建立的数学模型在拟合度上高于线性模型，但在最后的反演精度上线性模型更为精准。

（3）环城河北段的水体富营养化程度比南段更严重，可能是因为北段所在位置处于繁华地段，加上水质受南淝河影响较大。

References

Publishing order | Descend order by publishing year | Descend order by cited within

1	CHEN Q， HUANG M， TANG X. Eutrophication assessment of seasonal urban lakes in China Yangtze River Basin using Landsat 8-derived Forel-Ule index： A six-year （2013-2018） observation.［J］. The Science of the total environment， 2019，745： 1-34. 本文引用 [1]

2	黄慧慧，李祥，杜春兰. 我国湖泊富营养化研究情况概述［J］. 中国城市经济， 2011（18）：259-260. 本文引用 [1]

3	钱彬杰，黄迪，谭晓慧，等. 基于Landsat-8 OLI影像的沭河临沂段氮磷污染物反演［J］. 山西建筑， 2019，45（1）：159-161. 本文引用 [1]

4	C T， G F， M G， et al. Application of Landsat 8 for Monitoring Impacts of Wastewater Discharge on Coastal Water Quality［J］. Frontiers in Marine Science， 2017，4：1-17. 本文引用 [1]

5	KERRIGAN， ALI. Application of Landsat 8 OLI for monitoring the coastal waters of the US Virgin Islands［J］. International Journal of Remote Sensing， 2020，41（15）： 1-27.

6	ISENSTEIN E， PARK M. Assessment of nutrient distributions in Lake Champlain using satellite remote sensing［J］. Journal of Environmental Sciences， 2014，26（9）：1 831-1 836. 本文引用 [1]

7	NAZEER M， NICHOL J. Development and application of a remote sensing-based Chlorophyll-a concentration prediction model for complex coastal waters of Hong Kong［J］. Journal of Hydrology， 2016，532：80-89.

8	CLAY S， PEÑA A， DETRACEY B， et al. Evaluation of Satellite-Based Algorithms to Retrieve Chlorophyll-a Concentration in the Canadian Atlantic and Pacific Oceans［J］. Remote Sensing， 2019，11（22）： 1-29. 本文引用 [1]

9	PALMER S C J， KUTSER T， HUNTER P. Remote sensing of inland waters： Challenges， progress and future directions［J］. Remote Sensing of Environment， 2015，157： 1-8.

10	高昕，李继影，景明，等. 基于Landsat8-OLI影像的近年太湖水生植被分布遥感监测［J］. 环境科技， 2020，33（2）：49-53. 本文引用 [1]

11	陈艳，刘绥华，王堃，等. 基于Landsat卫星影像的草海水质遥感反演及营养状态评价［J］. 水生态学杂志， 2020，41（3）：24-31. 本文引用 [2]

12	黄彦歌. 基于实测光谱与Landsat8_OLI影像的珠江口内伶仃洋水质参数遥感反演［D］. 广州：广州大学，2017.

13	曹引，冶运涛，赵红莉，等. 内陆水体水质参数遥感反演集合建模方法［J］. 中国环境科学， 2017，37（10）：3 940-3 951. 本文引用 [1]

14	BIN H， KAZUO O， WANG Y， et al. Using remotely sensed imagery to estimate potential annual pollutant loads in river basins.［J］. Water science and technology： a journal of the International Association on Water Pollution Research， 2009，60（8）： 2 009-2 016. 本文引用 [1]

15	宋挺，石俊哲，刘军志，等. 基于Landsat-8卫星OLI数据的太湖水体蓝藻密度和浊度遥感定量反演研究［J］. 安全与环境工程， 2015，22（6）：67-71. 本文引用 [1]

16	谭小琴，罗勇，赵铮，等. 基于高分遥感的河流水质反演研究：以金马河温江段为例［J］. 环境生态学， 2020，2（7）：29-36. 本文引用 [1]

17	PIZANI F M C， MAILLARD P， FERREIRA A F F， et al. Estimation of water quality in a reservoir from SENTINEL-2 MSI and LANDSAT-8 OLI sensors［J］. ISPRS Annals of Photogrammetry， Remote Sensing and Spatial Information Sciences， 2020，V-3-2020：401-408. 本文引用 [1]

18	DUAN H， ZHANG Y， ZHANG B， et al. Assessment of clorophyll- 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. 本文引用 [1]

19	JIN Y， HAO Z， CHEN J， et al. Retrieval of Urban Aerosol Optical Depth from Landsat 8 OLI in Nanjing， China［J］. Remote Sensing， 2021，13（3）：1-19. 本文引用 [1]

20	殷飞. 水体营养状况评价方法研究［J］. 科技创新与应用， 2017（30）：99-100. 本文引用 [1]

PDF(1323 KB)

Accesses

Citation

Detail

Sections

Recommended

Received	Published
2021-05-07	2021-09-15
Issue Date
2021-09-28

Please choose a citation manager

Content to export

Abstract

Key words

Cite this article

0 引言

1 材料与方法

1.1 研究区域

Fig.1 Distribution of sampling points

1.2 数据收集

1.3 卫星影像的预处理

1.4 反演模型的构建

Tab.1 Inversion model of total nitrogen， total phosphorus and ammonia nitrogen concentration

2 结果与分析

2.1 遥感最优模型

Tab.2 Inversion model statistical results

2.2 精度验证

Fig.2 Water quality index model validates

2.3 富营养物空间分布

Fig.3 The concentration map of water quality index of Ring River in 2018

2.4 水体营养状态评估

Tab.3 Inversion results of water quality indexes and eutrophication evaluation at each point

Fig.4 Water nutrition distribution map of the Ring River in 2018

3 结论

{{custom_sec.title}}

{{custom_sec.title}}

References

Please choose a citation manager

Content to export

Abstract

Key words

Cite this article

0 引 言

1 材料与方法

1.1 研究区域

Fig.1 Distribution of sampling points

1.2 数据收集

1.3 卫星影像的预处理

1.4 反演模型的构建

Tab.1 Inversion model of total nitrogen， total phosphorus and ammonia nitrogen concentration

2 结果与分析

2.1 遥感最优模型

Tab.2 Inversion model statistical results

2.2 精度验证

Fig.2 Water quality index model validates

2.3 富营养物空间分布

Fig.3 The concentration map of water quality index of Ring River in 2018

2.4 水体营养状态评估

Tab.3 Inversion results of water quality indexes and eutrophication evaluation at each point

Fig.4 Water nutrition distribution map of the Ring River in 2018

3 结 论

{{custom_sec.title}}

{{custom_sec.title}}

References

0 引言

3 结论