关键词:
机器学习模型
遥感
总氮
氨氮
太子河
摘要:
太子河是辽宁省的重要水系之一。随着对水体环境的日益重视,太子河流域水环境质量逐年好转,其研究方向逐渐由“治理为主”转向“监控为主、治理为辅”,提升太子河水质参数监测的时效性成为更为紧迫的任务。为了对太子河总氮(TN)和氨氮(NH_(4)^(+)-N)水质指标进行实时监测,基于太子河流域2014—2019年10个监测断面的数据,通过剖析Landsat 8遥感影像不同波段反射率的组合与监测断面实测水质数据的线性关系,结合反向传播(BP)神经网络模型的优化,建立了TN和NH_(4)^(+)-N浓度的水质参数反演模型,并反演了2014—2019年太子河干流TN和NH_(4)^(+)-N浓度的时空分布规律。结果表明,构建的BP神经网络优化模型预测效果较好,TN和NH_(4)^(+)-N的决定系数(R^(2))分别为0.777和0.550,均方根误差(RMSE)为1.464和0.667 mg·L^(-1),适用于对流域TN和NH_(4)^(+)-N的反演。2014—2019年TN和NH_(4)^(+)-N水质参数整体趋势向好,NH_(4)^(+)-N浓度处于GB 3838—2002《地表水环境质量标准》中Ⅲ类水标准,TN浓度常年处于Ⅴ类水质标准。太子河流域TN和NH_(4)^(+)-N浓度空间差异性较大,上游区域水质较好,中游区域水质明显下降,下游小林子至唐马寨区域水质较差。综上所述,基于BP神经网络算法优化的太子河流域水质反演是可行的,对时空两个尺度的反演结果可信且时效性较强。