基于无人机高光谱影像的滨海湿地水体叶绿素a与总氮动态精准评估研究

本研究针对辽河三角洲因石油开采与养殖活动导致的富营养化风险，创新性地融合无人机高光谱遥感与GF-5B卫星数据，开发了叶绿素a(Chla)和总氮(TN)的高灵敏度光谱指数TBIChla和TBITN，构建了精度达R2=0.88(Chla)和R2=0.86(TN)的反演模型，成功实现流域尺度水质参数时空制图，为滨海湿地水环境管理提供关键技术支撑。

　　

在辽河三角洲这片生态宝地上，石油开采和 aquaculture（水产养殖）活动正悄然改变着湿地水环境的生态平衡。富营养化和水质污染的风险日益凸显，而传统的水质监测方法却面临成本高、效率低、难以实现大范围动态监测的困境。特别是在滨海湿地这类水陆交错的复杂生态系统中，如何快速精准地获取叶绿素a(Chl-a)和总氮(TN)等关键水质参数的时空分布信息，成为摆在环境管理者面前的迫切难题。

面对这一挑战，东北大学的科研团队独辟蹊径，将目光投向了迅速发展的遥感技术领域。他们创新性地将无人机(unmanned aerial vehicle, UAV)高光谱成像与GF-5B卫星遥感相结合，开展了一项名为《利用无人机模型和高光谱影像增强滨海湿地水体叶绿素a和总氮动态评估》的研究，相关成果发表在《Environmental Technology》上。

研究团队采用了多平台协同的技术路线：通过无人机搭载Pika L高光谱成像仪获取400-1000 nm范围的高分辨率光谱数据，同步采集102个水样进行实验室分析；利用GF-5B卫星的AHSI传感器获取多时相高光谱影像；开发了新型三波段光谱指数TBI_Chla和TBI_TN；引入色相角(hue angle)作为辅助变量提升TN反演精度；对比评估了四种大气校正方法；最终构建了最优反演模型并生成时空分布图。

^{4.1. 叶绿素a与总氮的光谱反射特征}

通过对水体平均光谱反射率、吸光度和一阶导数的分析，研究发现Chla在670 nm附近存在明显吸收谷，在700 nm处出现反射峰，这些特征与藻类色素吸收和细胞散射特性密切相关。TN虽为非光学活性参数，但其与Chla的显著相关性(r=-0.66)表明可通过间接光学指标进行反演。

^{4.2. 基于光谱指数的直接反演模型性能}

研究团队开发的新型光谱指数TBI_Chla[R(682 nm)^-1-R(691 nm)^-1]×R(763 nm)和TBI_TN[R(721 nm)^-1-R(674 nm)^-1]×R(969 nm)表现出优异的敏感性。立方回归模型对Chla的反演精度达到R²=0.88，RMSE=0.0037 mg/L；二次多项式模型对TN的反演精度为R²=0.78，RMSE=0.2036 mg/L。

^{4.3. 使用辅助变量增强总氮估算}

创新性地引入色相角作为辅助变量，显著提升了TN的反演精度。当色相角作为系数调制因子与TBI_Chla、TBI_TN结合时，最佳模型的R²提高至0.86，RMSE降低至0.1727 mg/L，MAE为0.1331 mg/L。这表明水色参数能够有效捕捉与TN浓度相关的光学变化。

^{4.4. GF-5B影像的大气校正方法}

对比四种大气校正方法（DOS、QUAC、FLAASH、6S）发现，QUAC在反射率数值还原方面表现最佳(RMSE_AC=1.40)，而FLAASH在光谱形状保持方面最优(SAM_AC=14.38°)。最终选择QUAC作为GF-5B影像的大气校正方法，因其能更好地保持反射率绝对值，这对水质参数反演至关重要。

^{4.5. 叶绿素a与总氮的时空变异性}

应用优化模型对GF-5B影像进行反演，揭示了Chla和TN浓度的显著时空变异规律。城市区域Chla浓度在5月最高(0.0292 mg/L)，9月最低(0.0081 mg/L)，而TN浓度则呈现相反趋势，从5月的1.93 mg/L上升至9月的2.23 mg/L。下游区域受石油开采区和养殖活动影响，10月TN浓度高达2.32 mg/L，与螃蟹育肥期投喂高蛋白饲料的时间吻合。

研究结论与讨论部分强调，该研究成功建立了无人机与卫星协同的水质监测技术体系，开发的TBI光谱指数具有高灵敏度和强适应性，色相角的引入为非光学活性水质参数反提供了新思路。QUAC大气校正方法在滨海湿地水域表现出良好适用性。时空分析结果揭示了人类活动（石油开采、养殖业）对水质参数的显著影响，特别是秋季TN浓度升高与养殖育肥期的关联性。这项研究不仅为辽河三角洲湿地水环境管理提供了科学依据和技术支持，更为全球类似滨海湿地生态系统的水质监测提供了可借鉴的方法框架。未来研究可进一步拓展到更多水质参数，并建立长期遥感监测体系，为湿地环境保护和生态修复提供持续的数据支撑。