【Earth‘s Future】遥感大数据在水环境监测中的应用现状、挑战与未来展望

文章链接：遥感大数据在水环境监测中的应用现状、挑战与未来展望 - 陈磊 - 2022 - 地球的未来 - Wiley 在线图书馆

主要内容

1. 第 2 节全面介绍了图像数据源和模型评价指标。

2. 第 3 节详细介绍了最先进的取水方法，包括基于阈值的方法、水指数和基于机器学习的方法三类。

3. 第 4 节详细介绍了最先进的水质估计模型，包括三类经验模型、半经验/半分析模型和基于机器学习的模型。

4. 第 5 节提出了水环境监测遥感大数据的一些不足和三大挑战。

5. 第 6 节提供 5 条建议，为研究人员、从业人员和管理部门在遥感大数据水环境监测的理论探索和创新应用中提供潜在的路线图和信息支持。

2.遥感影像数据源和模型评估指标

数据源分类

粗略空间分辨率遥感影像：美国国家海洋和大气管理局卫星 （NOAA/AVHRR）、中分辨率成像光谱仪 （MODIS）、中分辨率成像光谱仪 （MERIS）、地球静止海洋彩色成像仪 （GOCI） 和 Sentinel-3 OLCI 是最典型的粗分辨率传感器。

中等空间分辨率遥感影像：Landsat MSS/TM/ETM+/OLI/OLI2、SPOT 1-4、Hyperion 和 Sentinel-2 MSI

高空间分辨率遥感影像：IKONOS、QuickBird、WorldView 和 ZY-3

模型评估指标

对于水提取，总体准确率 （OA）、误分类误差 （ME）、遗漏误差 （OE） 和 ROC-AUC 值是四个普遍认可的指标。

对于水质的定量估计，可以有效地使用各种指标来评估水质估计模型的性能，包括决定系数 （R**2、公式 3）、平均绝对误差（MAE，公式 4）、均方根误差（RMSE，公式 5）、均方误差（MSE，公式 6）、相对误差（RE，公式 7）、残差预测偏差（RPD，公式 8）和置信区间（CI，公式 9）。

3.提取水方法的分类

提取水的原理是，水在红外（例如，近红外波段，NIR;短波红外波段，SWIR）通道中的反射率明显低于其他陆地类型

基于阈值的水提取

基于指数的水提取

基于机器学习的水提取

4.水质遥感估算方法

尽管水成分及其光学特性很复杂，但决定水反射率的光学活性物质主要包括纯水、浮游植物、非色素悬浮物和有色可溶性有机物（图 4，Dornhofer & Oppelt，2016 年）。 这些光学活性物质会影响水的 R**RS(λ） 通过吸收和散射。其中，不随入射光源和角度变化的光学信息为固有光学特性 （IOPs）;相反，随入射光源、入射角和漫反射衰减系数而变化的光学信息是表观光学特性 （AOP）。

基于物理驱动方法的遥感估计模型

物理驱动方法主要是根据水的成分模拟水和气体在不同光学场景中的辐射传输过程，然后在遥感图像上计算其成像特性。辐射传输模型和数据同化是物理驱动方法的两大类。由于考虑了物理守恒、动量守恒以及水成分固有的吸收和散射特性，物理驱动方法具有明确的物理意义、严谨的因果关系和较强的可移植性，在水质的定量估计中得到了广泛的应用。

辐射传输模型

估计模型结合数据同化

基于数据驱动方法的遥感估计模型

经验模型

半经验/半分析模型

基于机器学习的模型

5.缺点和挑战

海量异构数据带来的新数据缺口

目前的处理方法和模型难以处理具有异构格式（如传感器、分辨率和存储格式）的海量遥感大数据，导致了新一代的数据差距。

由于“低时空分辨率”导致水环境监测效率低下

有两个局限性。首先，由于频繁的多云天气，对水变化的关键观测是有限的。特别是在热带和亚热带地区，由于云和雨的存在，光学卫星的可用性不足。广泛使用的 Sentinel-2 图像的统计数据表明，该卫星在华南地区的可用性不到 20%（图 6）。

其次，水变化监测和驱动因素分析需要覆盖整个分配季节的成像时间，这限制了许多应用的有效性，例如，非点源污染对水质影响的季节性差异。

水体成分复杂，大气校正方法不足，导致水质估算模型精度低

尽管在高光谱分析、辐射传输模拟和大气校正模型开发方面做出了巨大努力，但水 IOP 的复杂光谱特性导致缺乏可应用于各种水域的高精度和通用的解耦大气校正方法。此外，专门用于内陆水体的大气校正方法很少。

6.建议和未来方向

使用云计算和新兴传感器/平台监测密集时间序列中的水变化

随着遥感大数据和云计算平台的快速发展，基于GEE的多源遥感数据融合密集时间序列驱动的水环境监测将为储量估算、水污染监测和气候变化监测提供有效的路线图。

基于集成机器学习建立更多模型以协作估计多个水体构成

未来，利用大量实测数据和改进的机器学习算法的多参数水质估计将成为遥感大数据在水环境监测中的应用的重要研究方向。

探索更多耦合物理学和因果关系的遥感估计模型

有两个方面可能亟待加强。首先，应加强对 IOPS 的更多、更广泛的分析，以解释数据驱动方法的物理机制。以实证统计和机器学习为代表的数据驱动方法具有模拟精度高、所需光学参数少、算法简单等优点。然而，数据驱动方法的物理机制通常难以解释;并且难以结合 IOPS 来讨论仿真误差，这限制了模型的准确性和泛化能力。未来应筛选出适用于河口、河流、水库等复杂水体的 IOPS 进行模型优化和改进，以丰富数据驱动方法的物理意义。其次，需要加强连续水质监测的数据同化研究。事实上，单一数据源和模型很难对水生系统进行精细、高精度、全方位和不间断的监测。在考虑数据的时空分布以及观测场和背景场的误差的基础上，通过数据同化将新的水环境观测数据整合到数值模拟模型的动态运行过程中，将是一次有益的尝试。例如，数据同化算法（最优插值、变分同化、集成卡尔曼滤波等）通常与不同的水环境信息集成，以优化水质模型的估计精度。

利用遥感识别水环境评价中的更多要素

事实上，许多研究都集中在地表水体积和三种水色成分上，而估计更多水质参数（例如氨氮）的浓度正在引起更大的实际需求并变得更加重要。

迫切需要将考虑水色、水质和水量等关键因素的研究进行整合，以促进未来科学研究转化为可操作的应对措施。

开发新的治理模式以满足遥感大数据在水环境中的广泛应用

总结

水动力学和水质估计是研究生态、环境和水文过程的基本但具有挑战性的问题。水提取和利用遥感大数据对水质参数进行定量估计，由于遥感大数据具有多尺度地球表面有效和连续监测的能力，为观测水动态和水质估算提供了有效的途径。在过去的几十年里，人们付出了相当大的努力来开发各种取水和定量估计不同类型水（包括海洋、湖泊、水库和河流）中水质的方法。本文通过比较近年来文献中流行的一系列水提取和水质估算方法，对这两个领域的最新进展进行了系统综述。对于水提取，我们将方法大致分为三类，即基于阈值的方法、水指数和基于机器学习的方法，这些方法已经进行了深入的审查。对于水质的定量估计，分别总结了经验模型、半经验/半分析模型和基于机器学习的模型。此外，我们还回顾了遥感图像数据源和模型评价指标。

毫无疑问，这些图像数据源、取水方法、水质定量估算方法及其评价指标非常有限，无法满足遥感大数据对水环境监测的巨大需求。这些缺点包括：海量异构数据造成的数据空白、云雨天气带来的可用卫星影像不足导致水环境密集长期监测不足、复杂水体导致水质估算模型精度低、水体大气校正方法不足等。

幸运的是，我们正在见证遥感大数据即将到来的技术飞跃，例如数据融合、数据模拟、云计算和机器学习。基于遥感大数据、机器学习和云计算的数据驱动方法为密集的长期水动力学和水质估计提供了有前途的应用。基于辐射传输方程和数据同化的物理驱动方法也为长期和大尺度的非光学物质估计提供了潜在的解决方案，而不受云和雨导致图像可用性不足的限制。通过回顾这些发展，我们确实得出了五个有前途的研究方向，以优化现有的框架和方法。这些工作包括：使用云计算和新兴传感器/平台在密集的时间序列中监测水的变化，建立更多基于集成机器学习算法的模型以协同估计多个水景，探索更多耦合物理学和因果关系的检索模型，识别水环境评估中缺失的元素（例如，非光学活性参数），以及开发新的治理模型以满足水环境遥感。本文对研究者、实践者和管理部门在遥感大数据水环境监测的理论探索和创新应用方面具有重要意义。