摘要 ：农村黑臭水体治理是实施乡村振兴战略的重要任务,而其面广、量大,且存在季节性变化,导致底数不清、周期性反臭,成为治理监管的难点。遥感监测时效性强、覆盖面广,可提高农村黑臭水体监测效率。本文以国产高分辨率卫星GF-2为数据源,首先采用DeepLabV3+语义分割方法提取农村坑塘、沟渠等细小水体,然后基于黑臭水体与正常水体的光谱曲线差异,构建多种黑臭水体识别模型,最后在新乡县、漯河市、项城市进行农村黑臭水体识别和精度验证。结果显示,基于红波段、绿波段建立的NDBWI模型具有较高的准确性和普适性。利用该模型对新乡县2022—2024年的农村黑臭水体进行的动态监测发现,2023年黑臭水体数量较上年减少60%,2024年有6.8%的轻微反弹,表明近3年新乡县农村黑臭水体治理成效显著。本文研究成果可为精准治理农村黑臭水体,推进农村人居环境整治提供有效支撑。
水资源是人类生存不可或缺的自然资源，水体污染不仅妨碍了水资源的合理开发，还破坏了生态系统，并对人类健康构成潜在风险。截至2022年，全国地级及以上城市已基本消除黑臭水体，但农村地区的环境污染治理仍是建设美丽中国的突出挑战。《农业农村污染治理攻坚战行动方案(2021—2025年)》将农村黑臭水体整治列为“十四五”期间的重点任务，目标是到2025年基本消除农村地区较大面积的黑臭水体问题[1]。由于农村黑臭水体面广、量大，且随季节性变化，传统的人工现场调查方法耗时且成本高，难以实现大范围、精准、快速监测。遥感技术因其空间覆盖范围广、获取速度快、周期性重复观测等优势，成为监测黑臭水体的有效手段[2-4]。
遥感技术识别黑臭水体首先需提取水体信息，常用方法包括阈值法、分类法和深度学习法[5]。其中，阈值法如NDWI、MNDWI等水体指数，难以抑制建筑物和阴影的干扰[6-9]；分类法虽能减少干扰，但缺乏普适性[10]；深度学习方法如DeepLabV3+、FCN、U-Net等，在去除阴影和建筑物影响方面表现更优[11-13]。黑臭水体的遥感识别基于水体在可见光到红外波段的反射率特征[14-26]，当前研究主要使用阈值法、综合指数判定法和机器学习法。其中，阈值法通过波段差值或比值扩大黑臭水体和正常水体的差异，设置分割阈值进行识别，具有较好的效果[27]，如WCI[27]、NDBWI[28]、BOI[2]、BOCI[29-30]、HCI[31]等指数被应用于城市黑臭水体的识别。目前，针对农村黑臭水体的研究较少，黑臭水体遥感识别算法具有较强的地域适用性，现有研究尚未对模型的稳定性和普适性进行分析；同时，农村地区坑塘沟渠等细小水体具有数量多、分布广、干扰因素复杂等特点，水体信息的精确提取也成为遥感监测的关键。
针对上述问题，本文以河南省新乡县为研究区域，采用DeepLabV3+提取农村细小水体。首先，基于GF-2影像分析农村黑臭水体和正常水体的光谱特征，构建多种黑臭水体识别模型；其次，利用外业采样点对模型阈值进行修正，识别农村黑臭水体并分析精度；然后，将模型应用于漯河市、项城市黑臭水体识别，验证各模型精度，并提出一种广泛适用于农村黑臭水体的识别方法；最后，利用该方法对新乡县2022—2024年农村黑臭水体进行动态监测与分析。本文研究旨在为农村黑臭水体的治理和水环境精细管理提供技术支撑。
如图 1所示，新乡县位于太行山南麓，卫河上游，总面积为375.01 km2。新乡县境内主要有卫河、东孟姜女河、西孟姜女河、百泉河、共产主义渠、人民胜利渠、民生渠等7条大的河渠和17条小河渠。根据生态环境部门统计，新乡县部分农村黑臭水体已完成治理，但境内排污设施建设仍不规范，生活污水普遍采用直排方式，加之工业企业和农业活动的影响[32-33]，导致区域内坑塘、沟渠等水体仍存在黑臭现象。
| 图 1 研究区区位图及采样点分布 |
漯河市建成区位于河南省中南部，境内水资源丰富，沙、澧河等河流穿境而过。为推动生态文明建设，漯河市于2022年3月1日正式实施全国首个黑臭水体防治地方性法规。项城市位于河南省东南部，居黄河冲积平原南部，淮河主要支流沙颍河中游。境内有沙、汾、泥、谷四大河道，更有稀缺资源沙颍河内河航运。
生态环境部等相关部门发布的《农村黑臭水体治理工作指南》为识别和治理农村黑臭水体提供了明确的指导原则。该指南指出依据发黑、发白等水体颜色异常或浓烈、难闻等气味异常进行感官判断。如果水体存在上述任意一种情况，即视为黑臭水体。
在感官判断存在争议的情况下，可以通过问卷调查等方式收集公众的意见。若公众评议有困难，可通过水质监测透明度、溶解氧、氨氮3项指标，即透明度应小于25°，溶解氧应小于2 mg/L，氨氮应大于15 mg/L。3项指标中任意1项不达标即视为黑臭水体。
GF-2卫星于2014年8月19日成功发射，是我国自主研制的首颗空间分辨率优于1 m的民用光学遥感卫星。它搭载两台高分辨率(全色影像1 m/多光谱影像4 m)相机，回归周期为69 d，左右相机幅宽为45 km，侧摆能力±35°，载荷参数见表 1，其分辨率能够较好地满足沟渠、鱼塘等细小水体的识别。
表 1 GF-2载荷参数
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
表选项
通过国家遥感数据与应用服务平台获取的GF-2影像，利用ENVI5.3软件和GEOWAY影像处理系统对影像进行预处理，如图 2所示。首先，在ENVI软件中分别对原始全色和多光谱影像进行辐射定标，并对多光谱影像进行FLAASH大气校正；然后，在GEOWAY软件中采用高分辨率无偏移影像作为参考基准进行区域网平差，获取高精度RPC文件后，加入数字高程模型(DEM)进行正射校正，消除因传感器成像侧视角和地形起伏引起的位移误差；最后，采用PANSHARP融合模型进行融合处理，处理后的影像为1 m分辨率的4波段产品。
| 图 2 技术流程 |
1.4 样点分布
2023年4月20日对新乡县开展野外样点采集，共采集17个黑臭水体和19个正常水体的样点数据；2024年9月5日对漯河市和项城市开展野外样点采集，共采集16个黑臭水体和35个正常水体的样点数据。各采样点分布如图 1所示，黑臭水体实地示例照片如图 3所示。
| 图 3 黑臭水体实地照片 |
采用DeepLabV3+语义分割方法提取水体，该网络由提取图像深度特征的编码器和采样融合恢复信息的解码器构成，如图 4所示。编码器中的深度卷积神经网络模块(deep convolution neural network，DCNN)和空洞卷积(dilated convolution，DC)的空间金字塔池化模块(atrous spatial pyramid pooling，ASPP) 在影像信息提取过程中优化了图像特征，能够充分捕捉全局信息的上下文特征和满足不同尺度的地物要素边界分割。解码器将深度特征图上采样，并与较浅层特征图进行融合，进一步优化不能恢复的位置信息，得到语义分割预测结果[34]。
| 图 4 DeepLabV3+网络结构 |
对预处理后的影像进行归一化水指数(NDWI)计算并分割阈值，将提取到的水体栅格影像转为矢量，结合影像进行修正并作为标签数据。为增强训练模型的稳健性，通过几何变换、色彩变换、仿射变换及注入噪声等方法进行数据增强处理。
在模型训练过程中，将数据集分为训练集、验证集和测试集，其中训练集和验证集占80%，测试集占20%。试验采用思腾合力SCM人工智能云平台实现[35]，学习率设为0.000 1，动量设为0.9，权重衰减设为0.000 01，学习率调度策略采用200 000的步长，学习率衰减为原来的0.1。
随机选取新乡县黑臭水体和正常水体各10个采样点，基于采样点相近时间的GF-2影像数据绘制影像反射率光谱曲线，如图 5所示，黑臭水体和正常水体的光谱曲线在蓝-红波段范围存在明显差异，农村黑臭水体在此波段范围的光谱反射率在0.06~0.09 sr-1之间，变化相对平缓。而正常水体在此波段范围的光谱反射率在0.05~0.14 sr-1之间，反射率峰谷明显，且绿波段光谱反射率要明显高于蓝波段和红波段，这一特征与城市黑臭水体的研究结论一致[2, 28]。黑臭水体和正常水体在近红外波段的光谱曲线无明显差异，其反射率大多在0.09~0.12 sr-1之间，且红-近红外波段范围的光谱反射率大多呈上升趋势。利用上述蓝-红波段光谱曲线差异分别构建了波段差值、NDBWI、BOI和BOCI 4种黑臭水体识别模型(见表 2)。
| 图 5 黑臭水体和正常水体光谱曲线 |
表 2 各算法公式
|
|
|
|
|
|
I1
|
N1
|
|
|
I2
|
N3
|
|
|
I3
|
N5
|
|
|
I4
|
N6
|
| R
|
||
| N6
|
||
|
|
||
表选项
农村黑臭水体识别模型精度采用识别正确率进行计算，公式为
式中，A为模型识别正确的样本个数；B为验证样点的总数。
对比DeepLabV3+的预测结果与NDWI指数提取结果发现，DeepLabV3+能够准确完整地提取细小水体，并很好地消除了建筑阴影的干扰，如图 6所示。利用DeepLabV3+对新乡县进行水体提取，并辅以人工判读，排除建成区水体，得到525处农村聚集区内及周围的水体图斑。
| 图 6 水体提取对比 |
3.2 农村黑臭水体识别模型精度分析
为提高模型识别精度，选取27个采样点分别对波段差值、NDBWI、BOI、BOCI模型进行阈值修正，建模结果如图 7所示。可以看出，NDBWI和BOI模型阈值修正后能够很好地区分黑臭水体和正常水体，而波段差值法和BOCI模型阈值修正后黑臭水体与正常水体存在混淆情况。
| 图 7 各算法建模结果 |
为更进一步确定有效的农村黑臭水体识别模型，将4种模型的识别结果与36个采样点进行对比，波段差值、NDBWI、BOI、BOCI模型识别正确率分别为66.7%、90.6%、87.5%、81.5%，波段差值法识别精度最低，NDBWI和BOI模型识别精度较高，说明比值法可突出黑臭水体和正常水体的光谱差异，使得两者更易区分。NDBWI模型识别精度最高，错误识别类型均为黑臭水体误分为正常水体，这些水体表面覆盖大量浮萍，影响水体的反射率，导致错分为正常水体。综上所述，NDBWI模型在识别农村黑臭水体方面具有较高的准确性和有效性。
为验证NDBWI模型在不同区域的普适性，选取漯河市和项城市地区采样点相近时间的GF-2影像数据，分别构建波段差值法、NDBWI、BOI、BOCI 4种模型，将黑臭水体识别结果与采样点进行精度分析，结果见表 3。总体正确率中波段差值法最低，为68.6%；NDBWI最高，为84.3%。正常水体识别正确率中NDBWI和BOI最高，均为88.6%。黑臭水体识别正确率中NDBWI最高，为75.0%。结果说明，NDBWI模型在其他区域的农村黑臭水体识别中依然具有较高的准确性和有效性，对于缺乏实地样本无法确定具体模型的情况，可优先选择NDBWI用于农村黑臭水体的识别。
表 3 黑臭水体模型识别正确率统计
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
利用NDBWI模型对新乡县2022—2024年农村黑臭水体进行动态监测，考虑黑臭现象的季节性变化和影像覆盖情况，为增强数据的可比性，均选用第一、四季度且非冰期无云数据。监测结果显示，2022—2024年的黑臭水体数量分别为172、74、79个，2023年黑臭水体数量骤减，较上年减少60%，2024年有轻微反弹，较上年增加6.8%。从各乡镇变化情况来看，翟坡镇和大召营镇连续3年黑臭水体数量均最多，但整体呈明显减少趋势，2024年较2022年分别减少45、23个；古固寨镇和朗公庙镇黑臭水体数量呈增加趋势，2024年较2022年均增加8个，具体如图 8所示。
| 图 8 黑臭水体空间分布和统计 |
新乡县作为河南省乡村振兴示范县和乡村建设示范县，扎实推进“三通一规范”工程，不断深入落实农村人居环境整治工作，从2022—2024年农村黑臭水体遥感动态监测结果来看，农村黑臭水体治理成效显著。利用遥感技术对农村黑臭水体进行动态监测，可实现长时序、大范围区域内农村黑臭水体的快速筛查，跟踪整治成效，防止反黑反臭，为精准治理农村黑臭水体、提升水环境管理和科学决策水平提供有效支撑。
本文基于GF-2影像分析农村黑臭水体和正常水体的光谱特征，构建了多种黑臭水体识别模型，将其应用于新乡县、漯河市和项城市的农村黑臭水体识别中，通过分析各模型精度提出了一种广泛适用于农村黑臭水体的识别方法。利用该方法对新乡县2022—2024年农村黑臭水体进行了动态监测，具体结论如下：
(1) 采用DeepLabV3+语义分割方法提取水体信息，能够有效避免水体与建筑物、阴影等干扰，准确完整提取出农村坑塘、沟渠等细小水体。
(2) 构建波段差值、NDBWI、BOI和BOCI 4种模型用于农村黑臭水体识别，NDBWI在新乡县、漯河市和项城市均具有较高的准确性和有效性，对于缺乏实地样本无法确定具体模型的情况，可优先选择NDBWI用于农村黑臭水体的识别。
(3) 利用NDBWI模型对新乡县2022—2024年农村黑臭水体进行动态监测，2023年黑臭水体数量骤减，较上年减少60%，2024年有轻微反弹，较上年增加6.8%，结果表明新乡县农村黑臭水体治理成效显著。
刘甜甜1,2, 张明1,2, 冯继锋3, 李倩楠1,2, 朱雨芯4
基金项目：国家重大科技专项(80-Y50G19-9001-22/23)
关键词：GF-2影像, 水体提取, 农村黑臭水体, 遥感识别, 动态监测
- END -
