應用方向

快速、準確監測水質參數對于保障雄安新區這一“未來之城"的水環境安全與可持續發展至關重要。傳統水質監測方法依賴現場采樣與實驗室分析，效率低、成本高、覆蓋面有限，難以滿足大面積、動態化、業務化監測需求。為提升冬季水質監測能力，本研究利用無人機搭載GaiaSky-mini2-VN高光譜成像系統，獲取了雄安新區白洋淀流域四個典型河段在冬季四個時期的高光譜影像，并同步采集了化學需氧量（COD）、高錳酸鹽指數（PI）、氨氮（AN）、總磷（TP）和總氮（TN）的地面水樣數據。研究通過系統分析18種光譜變換形式，構建了以波段差值（Band Difference）和波段比率（Band Ratio）為核心的快速反演算法，建立了各水質參數的優化估測模型。結果表明，所構建模型對五項關鍵水質參數均取得較高反演精度（R2介于0.72–0.93），并基于模型結果生成了污染物空間分布圖，識別出河流自凈過程的四種典型模式。該研究為雄安新區水環境精細化管理、污染源追溯及治理效果評估提供了高效的技術手段與科學依據。

背景

雄安新區是國*級新區，其水環境質量直接關系到區域的生態安全與可持續發展。白洋淀作為新區重要水源地與生態水域，其水質狀況備受關注。傳統水質監測方法如現場采樣與實驗室分析，雖精度較高，但耗時費力、空間覆蓋有限，難以實現對大范圍水體的高頻次動態監測。近年來，無人機高光譜遙感技術因其機動靈活、分辨率高、可獲取連續光譜信息等優勢，已成為水環境監測的重要手段。該技術通過分析水體反射光譜特征，可實現多種水質參數的無接觸、大面積同步反演。然而，冬季水環境監測常受光照條件、冰雪覆蓋及水色復雜性影響，光譜信號較弱且干擾因素多，現有算法在冬季條件下的適應性、穩定性及處理效率仍有待提升。此外，如何從高維光譜數據中快速提取有效特征并構建輕量化、可業務化推廣的模型，亦是當前研究的難點。為此，本研究聚焦雄安新區典型河段冬季水質監測需求，開展無人機高光譜數據采集與建模研究，旨在構建一套高效、穩健的水質參數快速反演技術體系，以支持新區水環境的精準化、智能化管理。

實驗與數據采集

（1）實驗設置

研究區域位于雄安新區內的白洋淀流域。選取A、B、C、D四個典型河段作為研究區，分別代表引黃補水源區、人口密集區、農業面源影響區及入湖前關鍵斷面。各河段長度介于1.82–3.48 km，于2022年11月至2023年2月期間開展四次無人機飛行與同步地面采樣。

圖1白洋淀地理位置。研究區位于中國首都北京市西南方向 140 千米處。2017 年 4 月 1 日，中國決定在雄縣、安新縣、容城縣設立雄安新區。白洋淀主體水域隸屬于雄安新區管轄，已成為雄安新區發展的核心生態水體。

圖2 選取 A、B、C、D 四個河道段進行數據采集與分析。

（2）數據采集

高光譜數據采集采用大疆M600 Pro無人機搭載江蘇雙利合譜科技有限公司的GaiaSky-mini2-VN推掃式高光譜成像系統，光譜范圍400–1000 nm，光譜分辨率3.5 nm，空間分辨率可達0.27 m（飛行高度500 m）。飛行于晴朗無風日間進行，同步采集地面水樣，測定COD、PI、AN、TP、TN五項參數。高光譜數據經輻射校正、幾何校正及反射率計算后，與地面實測數據按坐標進行匹配，共獲取184組有效樣本對。

圖3 4個河道段地理位置及水域邊界。(a) 2022年11月5日，A水域實測長度3.48 km，面積0.21 km2，水域邊界周長15.08km；(b) 2022年12月20日，B水域實測長度2.05 km，面積0.05 km2，水域邊界周長4.62 km；(c) 2023年1月17日，C水域實測長度3.12 km，面積0.13 km2，水域邊界周長9.08 km；(d) 2023年2月24日，D水域實測長度 1.82 km，面積0.19 km2，水域邊界周長3.66 km。

研究結果

（1）光譜變換與模型構建

研究對原始光譜進行了包括對數、微分、多元散射校正等在內的18種變換處理，通過波段差值（BD）與波段比率（BR）兩種模型系統篩選各水質參數的最佳反演波段組合。結果表明，不同參數所需的*優光譜變換形式各異，例如COD在四個河段的最佳變換分別為對數、包絡線去除、原始光譜及二階微分后多元散射校正，說明水質反演需根據參數特性與環境條件進行自適應光譜優化。

（2）模型精度與空間制圖

所構建模型對五項水質參數的反演精度（R2）分別為：COD 0.78–0.89、PI 0.79–0.93、AN 0.72–0.87、TP 0.85–0.90、TN 0.82–0.91，其中TP與TN的模型最為穩健。基于*優模型生成的空間分布圖顯示，污染物高值區多集中于河流交匯處、近岸帶及居民區附近，空間異質性顯著，揭示了人類活動對水質的直接影響。

圖4 4個河道段5項水質指標空間制圖結果。(a) 化學需氧量（COD）含量呈現河流交匯處及近居民區區域高值的分布規律；(b) 高錳酸鹽指數（PI）在河道內分布均勻；(c) 岸邊及河灣處氨氮（AN）含量高于其他河道區域；(d) 河道總磷（TP）含量整體偏低，高值區集中于河流交匯處及近岸區域；(e) 全河道總氮（TN）含量較低且分布均勻。

（3）河流自凈模式識別

通過分析沿河道流向的污染物濃度變化曲線，研究首*識別出四種典型的河流自凈模式：均勻型（污染物沿程分布均勻，自凈作用不顯著）、增強型（污染物隨水流向下游累積增加）、抖動型（污染物濃度呈波動變化）與減弱型（污染物在下游因稀釋、降解等作用濃度逐漸降低）。該發現為解析污染物遷移轉化過程與評估水體自凈能力提供了新視角。

結論

本研究成功構建了面向雄安新區冬季河段水質的無人機高光譜快速反演模型，實現了COD、PI、AN、TP、TN五項關鍵參數的有效估測與空間制圖。通過系統篩選光譜變換形式與波段組合，所提出的波段差值/比率模型在保證精度的同時顯著提升了計算效率，具備較好的工程應用潛力。研究進一步揭示了污染物空間分布與人類活動的密切關聯，并創新性地歸納出河流自凈過程的四種典型模式，為水質污染溯源、治理成效評估及水生態系統健康管理提供了重要的技術支撐與理論依據。該成果推進了水環境遙感監測從“數字化"向“智能化"的演進，對雄安新區乃至類似區域的水環境保護與可持續發展具有積極意義。

來源

• Yang Y, Zhang D, Li X, et al. Winter Water Quality Modeling in Xiong’an New Area Supported by Hyperspectral Observation[J]. Sensors, 2023, 23(8): 4089.

• 中國科學院空天信息創新研究院  張東輝