河南省典型湖库水体透明度遥感反演算法构建

Construction of remote sensing inversion algorithm for water transparency of typical lakes and reservoirs in Henan Province

摘要

本研究以河南省丹江口水库（长江流域/Ⅰ类水质）、陆浑水库（黄河流域/Ⅱ类水质）和白沙水库（淮河流域/Ⅳ类水质）为研究对象， 利用实测数据结合Sentinel-2 MSI与Landsat-8/9 OLI影像，开展水体透明度遥感反演研究.结果表明： 1） 光谱归一化与一阶微分能够有效识别透明度敏感波段（蓝、绿、红）； 2） 所建模型在验证集上均表现出较高精度（R²>0.9，均方根误差（RMSE<1 m，平均相对误差（MRE<20%）.但应用到卫星数据的反演精度具有较大差距，其中Sentinel-2 MSI基于（Green+Red）/Blue波段组合的指数模型Y=33.504e^-1.379x 反演精度最优（R²=0.9509，RMSE=0.67 m），Landsat-8 OLI同算法模型反演精度次之（R²=0.7426，RMSE=1.26 m）； 3） 同类比值波段模型较单波段模型更稳健可靠，能够更好反映水体光学特性； 4） Sentinel-2 MSI相较于Landsat-8/9 OLI在湖库透明度监测中具有更高的适用性与稳定性，更适合作为水体透明度反演的数据源，为开展大范围、高精度的水环境遥感监测提供了理论与方法支撑.

Abstract

Water transparency serves as a critical indicator for assessing water quality and the degree of eutrophication. Remote sensing technology offers unparalleled advantages in the inversion of water transparency. However， the optical characteristics of different water bodies exhibit significant variability， posing a substantial challenge in developing remote sensing algorithms applicable to various types of lakes and reservoirs. This study selected three water bodies in Henan Province：Danjiangkou Reservoir （Yangtze River Basin， Class I water quality）， Luhun Reservoir （Yellow River Basin， Class II water quality）， and Baisha Reservoir （Huai River Basin， Class IV water quality），which are situated in distinct river basins with varying water quality conditions， as research subjects. Utilizing an integrated monitoring approach combining spaceborne， airborne， and ground-based methods， this research employed measured data alongside Sentinel-2 MSI and Landsat 8/9 OLI satellite data to investigate remote sensing inversion algorithms for water transparency. Firstly， by integrating spectral normalization， first-order differentiation， and spectral equivalence analysis， we identified sensitive bands for water transparency （blue， green， and red bands） and established a unified empirical remote sensing inversion model， including single-band， ratio-band， and mixed-band methods. Through comparative analysis using satellite data synchronized with on-site transparency measurements， the accuracy of the two datasets was evaluated. The results are shown as follows. 1） Spectral equivalence combined with spectral normalization and first-order differentiation effectively identify sensitive bands for water transparency. 2） Model validation using reserved validation sets yielded satisfactory results， with R² exceeding 0.9， RMSE approximately 0.5 m， and MRE below 20%； however， there is a notable disparity in inversion accuracy between the datasets. Specifically， the index model Y = 33.504e^-1.379x based on the combination of （Green + Red）/Blue bands from Sentinel-2 MSI demonstrated the highest inversion accuracy （R² = 0.9509， RMSE = 0.67 m）， followed by the algorithm model for Landsat-8 OLI （R² = 0.7426， RMSE = 1.26 m）. 3） All three models based on Sentinel-2 MSI fitting achieved R² greater than 0.9， while the highest R² for models based on Landsat 8/9 OLI fitting was 0.742 6. Therefore， Sentinel-2 MSI data exhibits higher applicability and stability， making it more suitable as a data source for water transparency inversion. The study also explored why the most relevant sensitive band is not always the optimal model， noting that single-band models are susceptible to noise and outliers， whereas band ratio algorithms can better reflect the physical mechanisms of water body optical properties by incorporating multiple band information， thereby enhancing the robustness and interpretability of the model. These findings provide a reliable method and theoretical foundation for large-scale and efficient monitoring of water transparency in inland lakes and reservoirs， contributing significantly to water environmental protection and management practices.

Graphical abstract

关键词

水体透明度 / 遥感反演 / Landsat-8/9 OLI / Sentinel-2 MSI / 河南省典型湖库

Key words

water transparency / remote sensing inversion / Landsat-8/9 OLI / Sentinel-2 MSI / typical lakes and reservoirs in Henan Province.

水体透明度是反映水质的基本参数之一，其中塞氏盘深度（Secchi disk depth，SDD）是最常用的评价指标，也是评估富营养化的重要指标.传统水体透明度监测^［1］主要依赖现场测量，虽然精度高，但过程繁琐、耗时且成本高，无法全面反映空间分布状况.遥感技术的快速发展弥补了这一缺陷，以其高效率和大范围监测能力，成为水质监测的有效手段.

自20世纪初，透明度的研究逐步深化，从大洋水体扩展至内陆湖泊.如姜玲玲等^［［2］基于组合波段得到了渤海2020年月均水体透明度变化结果；Zhou等^［［3］分析了2003—2019年渤海、黄海水体透明度的空间分布和时间变化趋势；Guo等^［4］分析了东海水体透明度长时序的变化及其驱动因子；刘延龙等^［5］建立了东平湖水体透明度反演模型，分析了其不同时期的水体透明度变化趋势.随着遥感技术的发展，Landsat和Sentinel系列卫星提供了更高的空间分辨率，使得水体透明度监测在内陆水体中更加具有可行性，Landsat-8/9和Sentinel-2A/2B系列卫星因其较高的时间和空间分辨率，已成为内陆水体研究的常用数据源.这些卫星的重访周期和多波段设置为透明度反演提供了更多可能性.如Song等^［6］基于Landsat OLI数据量化了中国湖泊的水体透明度，杨雷等^［7］基于Sentinel-2数据反演了胶州湾水体透明度，刁瑞翔等^［8］则基于岱海水体透明度对比分析了Landsat-8 OLI和Sentinel-2 MSI数据的反演精度.

遥感技术在水质监测中经历了从定性分析到定量反演的演变^［9］，监测方法从传统的经验法^［10］、逐渐发展至半分析法和机器学习法^［11］等多种形式.半分析法基于大气辐射传输模型或生物光学模型，具有高精度，Bai等^［12］基于GOCI卫星利用太湖数据设计了一种区域算法，完善了Lee等^［13］提出的半分析模型，但其受区域影响较大，不适合光学复杂的水体.经验法通过实测数据与遥感反射率的关系建立数学模型，精度较高，马建行等^［14］基于HJ-CCD和MODIS对吉林省中西部湖泊水体透明度建立了经验模型，但其缺乏物理依据，适应性也较差，如Zeng等^［15］基于GEE平台评估了经验模型，其更适合对数据集内的湖泊进行透明度估计，对数据集外的水体效果不够理想.机器学习法则通过复杂网络模拟水体成分与遥感数据之间的非显式关系，表现出较高的反演精度，Wei等^［16］提出了一种基于无人机高光谱利用XGBoost算法对城市河流透明进行反演，反演效果良好，Maciel等^［17］基于机器学习将水体表观光学特性为输出，得到漫衰减系数检索模型，决定系数R²为0.94，优于其他模型，但其对数据量要求较高，且其本身存在一定局限性，会产生过拟合使精度降低.

遥感技术的水体应用日益普及，但仍存在一些问题.首先，经验方法的适应性和可移植性较差，关于多个湖泊水库的统一反演模型研究仍较少.其次，不同遥感数据源的波段设置和空间分辨率差异，导致反演精度不一，对同一区域的比较研究也相对缺乏.

本文将以丹江口水库、陆浑水库和白沙水库为研究对象，开展河南省典型湖库水体透明度的遥感算法研究.具体研究内容包括： 1） 通过光谱归一化、光谱一阶微分和光谱等效分析，确定水体透明度的敏感波段； 2） 基于实测数据为三个湖库建立统一的水体透明度遥感反演经验模型； 3） 将基于Landsat-8 OLI和Sentinel-2 MSI分别建立的透明度模型应用于两类数据，比较分析其反演精度.通过这些研究，以期为提高湖泊水库的水质监测能力和治理策略提供理论支持，促进水环境保护与可持续利用.

1 研究区与数据集

1.1 研究区概况

丹江口水库位于长江流域，水质评价标准为Ⅰ级，地理坐标介于31°50′N~33°27′N，109°43′E~111°58′E，由汉江和丹江两大库区组成，水域面积1 022 km²，库容约290亿m³ .陆浑水库位于黄河流域主要支流伊河的中游，水质评价标准为Ⅱ级，地理坐标介于34°08′N~34°11′N，112°08′E~112°10′E，集水面积3 674 km²，控制流域面积约3 492 km²，占伊河面积的57.9% .白沙水库位于淮河流域上游、水质评价标准为Ⅳ级，其地理坐标位于经纬度104°40′E，28°47′N.水库总库容2.78亿m³，控制面积627 km².各研究区概况如图1所示.

1.2 实测数据

本文使用实测透明度数据2019—2023年采集66个样点水体透明度数据（塞氏盘法），同步获取ASD FieldSpec4高光谱数据（400~900 nm），经ViewSpecPro剔除异常值后生成66条有效光谱曲线，具体点位信息如表1所示.

1.3 遥感数据

遥感数据使用Landsat8/9卫星搭载的陆地成像仪（operational land imager，OLI）和Sentinel-2卫星搭载的多光谱成像仪（multispectral imager，MSI）.所用数据应选取实测数据对应日期同步或不超过1 d的准同步遥感影像.基于此要求，筛选出4期符合要求的Sentinel-2卫星影像，而对于2021年9月29日陆浑水库该期数据，由于Landsat-8 OLI重访周期较长，无满足要求影像数据.曾有研究者Kloiber^［18］指出，对于内陆湖库水体透明度相对稳定的情况可将时间窗口扩大至7 d，而本文选用该期陆浑水库数据正值暴雨过后，且通过查找其他影像数据和对应气象发现2021年9月21日遥感数据也为刚刚暴雨过后，故本文选取2021年9月21日影像数据代替；最终两卫星各获取对应影像数据4景，共8景，见表2；两卫星具体参数信息如表3所示.

2 研究方法

水体透明度反演技术路线如图2所示.

2.1 光谱归一化

光谱归一化处理有利于减少采样时光谱因环境、人为因素造成的影响，还可以使不同区域的光谱特征差异更加明显，光谱曲线更加紧凑，使不同时间、不同地点测量的光谱对比更有意义.由于水体在近红外（near-infrared，NIR）和短波红外（short-wave infrared， SWIR）波段的强吸收特性，水体反射率几乎为0，故本文选择波长400 nm~900 nm范围进行光谱归一化处理.公式为：

\begin{array}{c}{R}_N\left({\lambda }_i\right)=\frac{R\left({\lambda }_i\right)}{\frac{\mathrm{1}}{n}{\displaystyle \sum _{i=\mathrm{400}}^{\mathrm{900}}}R\left({\lambda }_i\right)}\end{array}，（1）

式中，R_N\left({\lambda }_i\right)为波长{\lambda }_i归一化后的光谱反射率，R\left({\lambda }_i\right)为波长为{\lambda }_i处的实测反射率，n是400 nm~900 nm的波长数.

2.2 光谱一阶微分

光谱一阶微分不仅有利于突出光谱曲线中包含的光学参数特性信息、曲线变化的趋势，还可以减弱实测光谱中因测量环境等因素造成的噪声误差.公式为：

\begin{array}{c}{R}_D\left({\lambda }_i\right)=\frac{R\left({\lambda }_{i+\mathrm{1}}\right)-R\left({\lambda }_{i-\mathrm{1}}\right)}{{\lambda }_{i+\mathrm{1}}-{\lambda }_{i-\mathrm{1}}}\end{array}，（2）

其中，R_D\left({\lambda }_i\right)为波长为{\lambda }_i处的一阶微分反射率，R\left({\lambda }_{i+\mathrm{1}}\right)和R\left({\lambda }_{i-\mathrm{1}}\right)分别是波长为{\lambda }_i左右两侧波长的实测反射率.

2.3 光谱等效

实测遥感反射率是利用ASD仪器按照水面之上法^［19］的光谱测量要求实测而得的，不包含大气辐射、气溶胶等影响.但仍与遥感反射率有一定差距，因此先进行光谱等效处理模拟卫星传感器接收到的遥感反射率，再进行后续分析有助于进一步消除误差，提高精度.

\begin{array}{c}{R}_{\mathrm{r}\mathrm{s}}\left(B_x\right)=\frac{{\int }_{{\lambda }_{\mathrm{m}\mathrm{i}\mathrm{n}}}^{{\lambda }_{\mathrm{m}\mathrm{a}\mathrm{x}}}{R}_{\mathrm{r}\mathrm{s}}\left(\lambda \right)F_s\left(\lambda \right)S_x\left(\lambda \right)\mathrm{d}\lambda }{{\int }_{{\lambda }_{\mathrm{m}\mathrm{i}\mathrm{n}}}^{{\lambda }_{\mathrm{m}\mathrm{a}\mathrm{x}}}{R}_{\mathrm{r}\mathrm{s}}\left(\lambda \right)S_x\left(\lambda \right)\mathrm{d}\lambda }\end{array}，（3）

其中，R_{\mathrm{r}\mathrm{s}}\left(B_x\right)卫星的x波段的等效遥感反射率；\lambda_max和\lambda_min为该波段的波段范围；R_{\mathrm{r}\mathrm{s}}\left(\lambda \right)为实测高光谱遥感反射率；F_s\left(\lambda \right)为平均日地距离处的大气层外太阳辐照度；S_x\left(\lambda \right)为传感器波段下的光谱响应函数.

2.4 Pearson相关性分析

Pearson相关性分析是当前水环境遥感研究中较为常用的一种表示两者之间相关关系强弱程度的统计分析方法，在本文中用于确定敏感波段.

\begin{array}{c}r=\frac{\sum (x_i-\overline{x})(y_i-\overline{y})}{\sqrt[]{\sum (x_i{-\overline{x})}^{\mathrm{2}}\sum (y_i-{\overline{y}}^{\mathrm{2}})}}\end{array}，（4）

其中，r表示实测透明度与等效反射率之间的相关系数；x_i 表示各个点位的实测透明度，y表示对应波长的等效反射率.相关系数r在0~1范围内为正相关，-1~0范围内为负相关性，相关系数r绝对值越接近1，两者相关性越显著.

2.5 误差分析

本文选用均方根误差（root mean square error，RMSE）和平均相对误差（mean relative error，MRE）进行模型验证.RMSE对异常值和离群点等大误差更加敏感，能更好反映出预测值和实测值之间的差异， MRE更直观的反映了预测值与真实值之间的误差，有助于理解预测的准确性及其影响程度.公式为：

\begin{array}{c}RMSE=\sqrt[]{{\displaystyle \sum _{i=\mathrm{1}}^n}\frac{{\left(N_i-M_i\right)}^{\mathrm{2}}}{n}}\end{array}，（5）

\begin{array}{c}MRE=\frac{{\displaystyle \sum _{i=\mathrm{1}}^n}\left(\frac{\left|N_i-M_i\right|}{M_i}\right)}{n}\times \mathrm{100}\mathrm{\%}\end{array}，（6）

式中，N_i是水体透明度的模型预测值，M_i是水体透明度实测值，n是参与验证的采样点个数.

3 结果与讨论

3.1 敏感波段选择

对归一化、一阶微分光谱反射率和实测透明度做Pearson相关性分析，并对归一化光谱求得的最大、最小相关性进行分析，显示最佳敏感波段选取点为502 nm； 567 nm为一阶微分最佳敏感波段选取点（表4，图3）.

Landsat-8/9 OLI、Sentinel-2 MSI光谱等效处理结果如图4a、4b所示.通过Pearson相关性分析，并以显著性检验辅助分析发现，Landsat8/9 OLI除NIR波段外，其他单波段都表现出强相关性；Sentinel-2 MSI的8个单波段均为强相关，且相关性最高的前三个波段为B3（-0.93）、B2（-0.87）、B4（-0.87）；且都通过了显著性检验.综合光谱归一化、光谱一阶微分、光谱等效三者与水体透明度相关性分析结果，相关性较高波长都集中在红、绿、蓝三波段，即两卫星的B2、B3、B4.故对该三波段做波段间自由组合处理，分析其与透明度相关性，选取最终敏感波段或波段组合进行后续拟合模型分析；波段组合处理包括相加、相减、比值、乘积4种算法，相关性分析结果见表5和表6.

3.2 建模及模型验证

本文基于Landsat-8 OLI、Sentinel-2 MSI各筛选出三个决定系数R²较高模型，利用预留的18条验证数据集将筛选出的模型进行模型验证.拟合模型形式包括一次函数、二次函数、对数、指数、幂函数5种类型，拟合模型如表7、表8所示，基于验证集的实测值与预测值分析如图5、图6所示.

3.3 模型反演空间分布结果及精度验证对比分析

为进一步分析模型在实际应用中的可行性，将OLI传感器和MSI传感器筛选的三个模型对各库区遥感影像进行反演，以对比分析两卫星对于各库区反演结果的空间分布变化以及同一卫星不同模型反演结果的空间分布变化.将采样点透明度反演值与实测值进行误差分析及线性拟合，对比反演值与实测值误差大小和线性拟合趋势，误差分析以均方根误差RMSE为基准.

反演结果分别如图7和图8所示，丹江口水库丹江库区为湖泊型，水面宽阔，库岸线短，接收地表径流带来的外源性营养较少，且丹库水流较缓有利于泥沙沉淀，故丹江库区透明度较高；相反，汉江库区为峡谷型，库面狭长，支流众多，库岸曲折，接受陆源物质营养面广，导致其相对于丹江库区透明度较低，且库区沿岸地带人类活动影响较大、水域较浅等因素共同作用导致了汉江库区的透明度较低.陆浑水库卫星数据获取日期为2021年9月29日，此时该区域刚经历了一场历史罕见的较大暴雨，伊河中上游汇水区的水流汇入库区带来了以大量泥沙为主、其他陆源物质为辅的浑浊水体.浑浊水体由入湖库嵩县县城附近不断向库区深处逐渐蔓延，导致陆浑水库自东北角向西南角透明度逐渐降低.白沙水库东南角靠近大坝区域由于除了泄洪常年蓄水和受人类活动干扰相对较少导致该区域由于沉淀等作用造成透明度较高.库区中央和中北部区域，由于当地的鱼类养殖和颍河上游强烈的人类活动造成营养物质大量输入，造成叶绿素、悬浮物较高，导致水体透明度相对较低.靠近岸边区域由于紧邻陆地，人类活动、树木碎屑、泥沙等陆源物质的输送，导致透明度相对更低.综上，基于Landsat-8/9 OLI和Sentinel-2 MSI遥感影像反演结果在空间分布上看，能较好地反映实际情况，反演结果较为理想.

图9a、图9b分别展示了基于Landsat-8/9 OLI三个模型的采样点反演值和实测值的差值变化趋势和线性拟合趋势，并计算了反演值与实测值之间的均方根误差RMSE，通过分析发现，基于（B3+B4）/B2波段组合的模型反演值与实测值最为接近，其线性拟合决定系数R²为0.738 6，线性拟合结果较好的分布在拟合曲线周围，RMSE为1.26 m.其他两模型反演值与实测值相差较大，线性拟合精度不高，RMSE误差较大.因此基于Landsat-8/9 OLI最优反演模型确定为基于（B3+B4）/B2波段组合构建的拟合函数为：Y_SD=23.95e^-1.105x .同理，图10a、图10b展示了基于Sentinel-2 MSI三个模型采样点反演值和实测值的差值变化趋势和线性拟合趋势，且基于Sentinel-2 MSI最优反演模型同为基于（B3+B4）/B2波段组合构建的拟合函数模型为：Y_SD=33.504e^-1.379x .

3.4 讨论

3.4.1 实测透明度与等效光谱异常高相关性分析

如表5、表6所示，在进行等效光谱与实测透明度Pearson相关性分析时，基于OLI传感器前4个波段、MSI传感器前8个波段与水体透明度存在高度相关性.基于此进行波段间自由组合处理，选取参与建模的敏感波段或波段组合时，波段组合形式成倍增加，拟合模型计算量增大，使最优模型的选取成为难点.经深入分析，是由于2021年9月29日陆浑水库该期数据影响的结果导致，该期数据采集正值暴雨过后，伊河上游带有大量泥沙的水体汇入库区，泥沙含量增多使该库区水体光谱发生“红移”现象，且极大的增加了水体反射率共同引起.针对该问题，本研究以光谱归一化、光谱一阶微分两者与透明度进行Pearson相关性分析，与等效光谱一同判断水体透明度敏感波段，使透明度敏感波段范围判断更加准确，且结果更有科学依据、说服力.

3.4.2 Landsat-8/9 OLI和Sentinel-2 MSI 反演结果比较分析

对比图9和图10两卫星基于（B3+B4）/B2拟合的最优反演模型来看，基于MSI的模型反演精度最好，RMSE仅为0.67 m.另一方面，基于OLI所拟合三个模型反演值与实测值的线性拟合曲线决定系数R²中，基于（B3+B4）/B2波段的R²相对较高，为0.742 6，其他两模型决定系数R² <0.3.基于MSI的三个模型线性拟合R²整体较高，R²>0.9.值得注意的是，对比两种卫星基于（B3+B4）/B2波段组合精度评价拟合最优模型的回归系数发现，基于Sentinel-2的一次多项式回归系数最高为0.96，而Landsat 的回归系数为0.44.综上，基于Sentinel-2 MSI反演模型在反演精度以及反演透明度变化趋势上，较Landsat-8/9 OLI精度更高，更适合作为水体透明度反演的数据源.

3.4.3 最高相关性敏感波段非最优模型分析

本研究在基于相关性较高敏感波段拟合模型时，存在基于最高相关性敏感波段拟合模型，所拟合模型决定系数R²却非最高的问题，这种现象的出现主要源于单一波段与水体透明度之间复杂的关系.最高相关性敏感波段虽然与目标变量（水体透明度）具有较强的统计相关性，但这种相关性可能掩盖了非线性关系或间接影响，而非直接的因果联系.单一波段模型容易受到噪声、异常值的影响，也可能忽视了水体光学特性的综合物理机制.此外，仅依赖单一波段可能导致模型过拟合，尤其是在样本量有限或代表性不足的情况下，难以全面捕捉水体透明度的特征.

为了解决这个问题，我们采用了基于最佳波段组合的波段比值算法，这种方法确实比单一波段模型更稳定和更具解释力.波段比值法的优势在于：1） 它考虑了多个相关波段的信息，能够更全面地反映水体的光学特性；2） 比值运算在一定程度上消除了光照条件、大气影响等外部因素的干扰，提高了模型的稳健性；3） 特定的波段组合可能与水体透明度的物理机制更为吻合，因此具有更强的解释力.在本研究中，（B3+B4）/B2波段组合在不同类型的湖库中均表现出良好的适用性，验证了该方法的有效性.这种方法不仅克服了单一波段模型的局限性，还在一定程度上平衡了模型的适应性和精度，最终获得了更高的透明度反演精度.未来，可以进一步探索更复杂的波段组合或光谱指数，如三波段或四波段模型，结合机器学习等先进方法，开发出更加精确和普适的水体透明度反演算法.

4 结论

本研究以河南省三个典型湖库为研究对象，开发了一种适用于不同类型湖库的水体透明度遥感反演算法.通过对比分析，发现Sentinel-2 MSI数据源较Landsat-8/9 OLI更适合内陆水体透明度反演，具有更高的反演精度.基于空、天、地一体化遥感监测数据，结合光谱归一化、一阶微分和光谱等效分析方法能精准有效的筛选出敏感波段，建立了基于Sentinel-2 MSI的统一的半经验遥感反演模型，确定了（B3+B4）/B2的最优波段组合.该模型在长江流域的丹江口水库、黄河流域的陆浑水库和淮河流域的白沙水库3种不同类型的湖库中均表现出良好的适用性.所建立的水体透明度反演模型的决定系数R²达到0.950 9，验证模型的R²为0.932 1，均达到了较高的精度水平，满足水质要素反演的精度要求.

本研究开发的遥感算法为不同类型湖库的水体透明度遥感监测提供了基础，有助于实现大范围、高频率的水体透明度监测.该算法为水环境质量评估和管理决策提供了可靠的技术支持，对水资源的可持续管理和生态环境保护具有重要意义.基于建立的模型，结合多光谱影像数据，实现了研究区水体透明度空间分布图绘制，为湖库水质监测提供了技术支持.这不仅推动了遥感技术在水环境监测领域的应用，也为水资源管理和生态环境保护提供了有力的科技支撑.

尽管本算法在三个典型湖库中表现良好，但其在更广泛地理区域和更多水体类型中的适用性仍需进一步验证.未来研究应着重于以下几个方面： 1） 扩展算法的适用范围，验证其在更多类型水体中的有效性； 2） 探索将本算法与其他水质参数监测方法相结合，以获得更全面的水环境评估；3） 整合实地监测、水文模型等方法，构建更加完善的水环境监测和预警体系.通过这些措施，有望进一步优化和推广该算法，以更好地服务于水环境保护和管理的实际需求.

参考文献

[1] WERNAND M R. On the history of the secchi disc［J/OL］. Journal of the European Optical Society-Rapid Publications， 2010， 5［2025-09-03］.

[2] 姜玲玲， 王龙霄， 王林， 等. 基于Sentinel-3 OLCI影像的渤海透明度遥感反演研究［J］. 光谱学与光谱分析， 2022， 42（4）： 1209-1216.

[3] JIANG L L， WANG L X， WANG L， et al. Research on remote sensing retrieval of Bohai Sea transparency based on sentinel-3 OLCI image［J］. Spectroscopy and Spectral Analysis， 2022， 42（4）： 1209-1216. （Ch）.

[4] ZHOU Y， YU D F， YANG Q， et al. Variations of water transparency and impact factors in the Bohai and Yellow Seas from satellite observations［J/OL］. Remote Sensing， 2021， 13（3）［2025-09-03］.

[5] GUO J T， PAN H D， CAO R C， et al. Multiple timescale variations in water transparency in the Eastern China Seas over the period 1997—2019［J/OL］. Journal of Geophysical Research： Oceans， 2023， 128（4）［2025-09-03］.

[6] 刘延龙， 张保华， 姚昕， 等. 东平湖水体透明度的遥感反演研究［J］. 测绘科学， 2018， 43（7）： 72-78.

[7] LIU Y L， ZHANG B H， YAO X， et al. Remote sensing inversion of water transparency in Dongping Lake［J］. Science of Surveying and Mapping， 2018， 43（7）： 72-78. （Ch）.

[8] SONG K S， LIU G， WANG Q， et al. Quantification of lake clarity in China using Landsat OLI imagery data［J/OL］. Remote Sensing of Environment， 2020， 243［2025-09-03］.

[9] 杨雷， 禹定峰， 高皜， 等. Sentinel-2的胶州湾水体透明度遥感反演［J］. 红外与激光工程， 2021， 50（12）： 505-511.

[10] YANG L， YU D F， GAO H， et al. Remote sensing retrieval of secchi disk depth in Jiaozhou Bay using Sentinel-2 MSI image［J］. Infrared and Laser Engineering， 2021， 50（12）： 505-511. （Ch）.

[11] 刁瑞翔， 青松， 越亚嫘， 等. 北方半干旱区典型湖泊——岱海透明度遥感反演（2013—2020年）［J］. 湖泊科学， 2021， 33（4）： 1072-1087.

[12] DIAO R X， QING S， YUE Y L， et al. A typical lake in the semi-arid area of northern China： the remote sensing retrieved of the transparency of the Lake Daihai（2013-2020）［J］. Journal of Lake Sciences， 2021， 33（4）： 1072-1087. （Ch）.

[13] 林剑远， 张长兴. 航空高光谱遥感反演城市河网水质参数［J］. 遥感信息， 2019， 34（2）： 23-29.

[14] LIN J Y， ZHANG C X. Inversion of water quality parameters of urban river network using airborne hyperspectral remote sensing［J］. Remote Sensing Information， 2019， 34（2）： 23-29. （Ch）.

[15] 周岩， 董金玮. 陆表水体遥感监测研究进展［J］. 地球信息科学学报， 2019， 21（11）： 1768-1778.

[16] ZHOU Y， DONG J W. Review on monitoring open surface water body using remote sensing［J］. Journal of Geo-Information Science， 2019， 21（11）： 1768-1778. （Ch）.

[17] 张宏建， 王冰， 周健， 等. 基于BP神经网络的内陆河流水质遥感反演［J］. 华中师范大学学报（自然科学版）， 2022， 56（2）： 333-341.

[18] ZHANG H J， WANG B， ZHOU J， et al. Remote sensing retrieval of inland river water quality based on BP neural network［J］. Journal of Central China Normal University （Natural Sciences）， 2022， 56（2）： 333-341. （Ch）.

[19] BAI S Y， GAO J X， SUN D Y， et al. Monitoring water transparency in shallow and eutrophic lake waters based on GOCI observations［J］. Remote Sensing， 2020， 12（1）： 163.

[20] LEE Z， SHANG S， HU C， et al. Secchi disk depth： a new theory and mechanistic model for underwater visibility［J］. Remote Sensing of Environment，2015，169：139-149.

[21] 马建行， 宋开山， 邵田田， 等. 基于HJ-CCD和MODIS的吉林省中西部湖泊透明度反演对比［J］. 湖泊科学， 2016， 28（3）： 661-668.

[22] MA J H， SONG K S， SHAO T T， et al. Comparison of water transparency retrieving of lakes in the mid-east part of Jilin Province based on HJ-CCD and MODIS imagery［J］. Journal of Lake Sciences， 2016， 28（3）： 661-668. （Ch）.

[23] ZENG W Z， XU K， CHENG S H， et al. Regional remote sensing of lake water transparency based on google earth engine： performance of empirical algorithm and machine learning［J/OL］. Applied Sciences， 2023， 13（6）［2025-09-03］.

[24] WEI L F， WANG Z， HUANG C， et al. Transparency estimation of narrow rivers by UAV-borne hyperspectral remote sensing imagery［J］. IEEE Access， 2020， 168（8）：137-153.

[25] MACIEL D A， BARBOSA C C F， DE MORAES NOVO E M L， et al. Water clarity in Brazilian water assessed using Sentinel-2 and machine learning methods［J］. ISPRS Journal of Photogrammetry and Remote Sensing， 2021， 182： 134-152.

[26] KLOIBER S M， BREZONIK P L， OLMANSON L G， et al. A procedure for regional lake water clarity assessment using Landsat multispectral data［J］. Remote Sensing of Environment， 2002， 82（1）： 38-47.

[27] MOBLEY C D. Estimation of the remote-sensing reflectance from above-surface measurements［J］. Applied Optics， 1999， 38（36）： 7442-7455.

基金资助

河南省科学院创新团队项目(20230107)

省级科技研发计划联合基金(225200810057)

省级科技研发计划联合基金(235200810024)

智慧中原地理信息技术河南省协同创新中心和时空感知与智能处理自然资源部重点实验室联合基金资助项目(232110)

河南省科学院创新平台建设专项(231001003)

河南省科学院基本科研费项目(20250601017)