EN中文

地球信息科学学报 >

2024 , Vol. 26 >Issue 12: 2788 - 2804

DOI: https://doi.org/10.12082/dqxxkx.2024.240421

遥感科学与应用技术

“算法-标志”协同的小微黑臭水体高分遥感识别方法

  • 孙永彬 , 1, 2, 3 ,
  • 卢辉雄 , 1, 2, 3, * ,
  • 李启亮 1, 3 ,
  • 张恩 1, 2, 3 ,
  • 汪冰 1, 2, 3 ,
  • 刘硕 4 ,
  • 牛海威 1, 3 ,
  • 王少帅 1, 3 ,
  • 薛庆 1, 2, 3 ,
  • 欧琪琪 1, 3
展开
  • 1.核工业航测遥感中心，石家庄 050002
  • 2.河北省航空探测与遥感技术重点实验室，石家庄 050002
  • 3.高分辨率对地观测系统河北数据应用技术支持中心，石家庄 050002
  • 4.河北省地质环境监测院，石家庄 050004
* 卢辉雄（1988— ），男，江西修水人，高级工程师，主要从事遥感技术应用研究。E-mail:

孙永彬（1989— ），男，内蒙古赤峰人，高级工程师，主要从遥感技术与应用、黑臭水体监测研究。E-mail:

Office editor: 黄光玉

收稿日期: 2024-07-27

  修回日期: 2024-09-27

  网络出版日期: 2024-11-28

基金资助

2023年度河北省平原区农村疑似黑臭水体遥感调查与动态监测项目(2023066)

核工业航测遥感中心自主科研项目(2024-18)

收起

A High-Resolution Remote Sensing Identification Method for Small, Black and Odorous Water Bodies Coordinated by "Algorithm-Flag"

  • SUN Yongbin , 1, 2, 3 ,
  • LU Huixiong , 1, 2, 3, * ,
  • LI Qiliang 1, 3 ,
  • ZHANG En 1, 2, 3 ,
  • WANG Bing 1, 2, 3 ,
  • LIU Shuo 4 ,
  • NIU Haiwei 1, 3 ,
  • WANG Shaoshuai 1, 3 ,
  • XUE Qing 1, 2, 3 ,
  • OU Qiqi 1, 3
Expand
  • 1. Airborne Survey and Remote Sensing Center of Nuclear Industry, Shijiazhuang 050002, China
  • 2. Key Laboratory of Airborne Survey and Remote Sensing, Shijiazhuang 050002, China
  • 3. High-resolution Earth Observation System Data Application Technical Support Center of Hebei Province, Shijiazhuang 050002, China
  • 4. Hebei Geological Environment Monitoring Institute, Shijiazhuang 050004, China
* LU Huixiong，E-mail:

Received date: 2024-07-27

  Revised date: 2024-09-27

  Online published: 2024-11-28

Supported by

2023 Remote Sensing Investigation and Dynamic Monitoring Project of Suspected Black and odorous water bodies in rural Plain area of Hebei Province(2023066)

Independent scientific research project of Nuclear Industry Aerial Survey and Remote Sensing Center(2024-18)

Fold

摘要

识别城市黑臭水体对于水环境整治、城市水生态保护具有重要作用，小微黑臭水体因其规模小、分散性强、流动性差、污染源复杂等特点采用传统遥感技术难以识别。本文为提高小微黑臭水体识别精度，提出一种基于高分影像的综合遥感“识别算法-识别标志”协同识别技术。以河北省保定市14个建成区小微黑臭水体为实验区，选取2023年春季、夏季、秋季的GF-2遥感影像数据，利用波段比值法构建城市小微黑臭水体遥感识别模型，结合黑臭水体形成机理及成因分析，在GF-2影像上建立水体颜色、形状、纹理、次生环境、沟渠淤塞、岸线垃圾等遥感识别标志，综合识别算法和识别标志得到最终识别结果，利用“目测+无人机航拍+水质检测”的方式进行了精度验证。结果表明： ① 通过精度验证分析，黑臭水体点位识别精确率（P1）为85.29%、灵敏度（P2）为90.63%、准确率（P3）为94.74%，黑臭水体面积识别精度（P4）为91.19%，该方法可有效识别城市小微黑臭水体； ② 对比波段比值法和遥感识别标志所占权重可知，识别算法和水体颜色权重分别占比25.38%和21.11%，二者对城市小微黑臭水体识别起主要判识作用； ③ 遥感识别错误的小微黑臭水体占比17.1%，识别遗漏的小微黑臭水体占比8.57%，错分率、漏分率相对较低； ④ 对比春季、夏季、秋季同一水体特征表明，综合遥感识别技术能够较好地反映黑臭水体时空变化特征。在精度指标中，本研究的“算法-标志”方法较红绿波段比值法、差值法、WCI指数法等，点位识别精度至少提升1.88%，面积识别精度至少提升1.95%，说明该方法具有更好的识别精度，可为其它城市黑臭水体“长制久清”提供技术支撑。

关键词： 城市建成区; 小微黑臭水体; GF-2; 识别算法; 识别标志; 点位识别精度; 面积识别精度

本文引用格式

孙永彬 , 卢辉雄 , 李启亮 , 张恩 , 汪冰 , 刘硕 , 牛海威 , 王少帅 , 薛庆 , 欧琪琪 . “算法-标志”协同的小微黑臭水体高分遥感识别方法[J]. 地球信息科学学报, 2024 , 26(12) : 2788 -2804 . DOI: 10.12082/dqxxkx.2024.240421

Abstract

The identification of urban black and odorous water bodies plays an important role in water environment regulation and urban water ecological protection. Small black and odorous water bodies are difficult to identify using traditional remote sensing technology due to their small scale, high dispersion, poor mobility, and complex pollution sources. To improve the recognition accuracy of these water bodies, this paper presents an integrated remote sensing method based on high-resolution imagery, combining a "recognition algorithm" with “recognition marks”. Using GF2 remote sensing image data from spring, summer, and autumn of 2023, a remote sensing model for identifying small urban black and odorous water bodies was developed through the band ratio method, alongside an analysis of the formation mechanisms and causes of these water bodies. Remote sensing markers such as water color, shape, texture, secondary environment, ditch blockage, and shoreline garbage were established on the GF2 images. The final identification result was achieved by integrating the recognition algorithm and identification markers, with accuracy verified through "visual inspection + UAV aerial photography + water quality testing". The results show that: (1) Through precision verification analysis reveals that the accuracy rate (P1), sensitivity (P2), accuracy (P3), and area identification accuracy (P4) of black and odorous water bodies are 85.29%, 90.63%, 94.74%, and 91.19%, respectively, demonstrating the method’s effectiveness in identifying small and slightly black and odorous water bodies in urban areas; (2) By comparing the weights of the band ratio method and remote sensing identification markers, it was found that the recognition algorithm and water color weight accounted for 25.38% and 21.11%, respectively, playing a significant role in identifying small, dark, and odorous urban water bodies; (3) The proportion of small black and odorous water bodies incorrectly identified by remote sensing is 17.1%, while the proportion of missed detections is 8.57%, indicating relatively low misclassification and omission rates; (4) A comparison of the same water bodies in spring, summer, and autumn shows that the integrated remote sensing identification method effectively captures the spatiotemporal changes of black and odorous water bodies. In terms of accuracy, compared to the red-green band ratio method, the difference method, and the WCI index method, the "algorithm-mark" method in this study improves point location identification accuracy by at least 1.88% and area identification accuracy by at least 1.95%, indicating superior performance and providing technical support for the long-term management and remediation of black and odorous water bodies in other cities.

Key words： urban built-up area; small black and odorous water; GF-2; recognition algorithm; identification mark; point recognition accuracy; area identification accuracy

1 引言

城市建成区是指城市行政区内实际已成片开发建设、市政公用设施和公共设施基本具备的地区[1]。主要包括城中村及城乡结合部、紧邻城市居民区的工业园区和开发区、城市边部正在建设施工的区域、城市内部的农田和湖泊等区域[2]。城市黑臭水体作为一种极端的水体污染现象，指的是在城市建成区的水体中呈现出令人不悦的颜色和（或）散发出令人不适气味的统称[3-4]，其不仅影响城市景观生态、破坏水生态系统，而且对城市居民的生产生活也有很大危害[5⇓-7]。城市小微水体是指分布在城市建成区的沟、渠、溪、塘等面积不大于5 000 m2的水域，具有规模小、分散性强、流动性差和自净化弱等特点，对水生态保护和调节作用不容小觑，在城市建设中发挥着重要作用[8]。
随着城市的不断扩张和发展，处于建成区内的小微水体受违规排放、垃圾乱堆等影响而出现黑臭现象，对城市水环境安全、人类的呼吸系统和消化系统均造成了严重影响。例如，常州市白荡浜小微河道受生活污水排放、泥底氮磷季节性释放等影响，极大了削弱水体自净能力而形成黑臭水体，造成城市景观和水生态系统造成严重威胁[9]；广州市近年来大量工农业废水、生活污水、畜禽粪便等未经处理即排入河道或小微风水塘，导致污染速度远远超过水体的自净速度，生态系统遭到严重破坏[10]；贵阳市随着城镇化快速发展，城市设施不完善，周边生活污水、生活垃圾、养殖粪污等就近排入小微湖塘，形成湖塘型黑臭水体，严重影响城市景观和水环境[11]。面临日益严峻的水体污染，越来越多的专家聚焦于黑臭水体问题[12]，开展城市建成区小微黑臭水体识别，对于整治水体黑臭尤为重要[13]。目前，高分遥感技术在黑臭水体识别中发挥了巨大作用，与传统的人工实地调查、公众举报监督等方法相比，具有便捷性、高效性、范围广的优势，为城市黑臭水体识别与监测提供便利和支撑[14]。
目前，城市黑臭水体遥感识别研究主要集中在单个城市建成区[15]，研究程度从简单的利用卫星遥感监测黑水现象[16]，到通过分析遥感影像与实测水体光谱特征构建黑臭水体指数[17-18]，再到利用遥感影像不同波段组合计算划分阈值来区分黑臭水体和一般水体的阶段[19]。例如，温爽等[20]利用绿光波段遥感反射率的单波段阈值、蓝绿波段差值、红绿波段比值，分别构建了基于GF-2影像的城市黑臭水体遥感识别算法模型，经过检验得出比值算法的识别精度最高；七珂珂[21]基于ZY-3、GF-1、GF-2、北京二号、高景一号5种卫星遥感影像，利用黑臭水体分级模型（BOCI）开展了黑臭水体进行多时序动态监测，分析沈阳市黑臭水体的空间分布特点，并对其治理成效进行评价；王茹等[22]采用反射率比值模型—BOI（Black and Odorous water Index）模型，分析了GeoEye-1、WorldView-2、北京二号、高景一号以及GF-PMS系列等多源高分辨率影像对黑臭水体遥感监测的适用性，识别精度均较高；李佳琦等[23]利用GF-1影像建立了水体清洁指数（Water Clear Index，WCI），在对太原市黑臭水体进行识别中得到了成功应用，利用该方法进行城市黑臭水体遥感识别具有很高的精度，在城市水环境整治过程中具有重要的应用价值；胡澄宇等[24]分析检验了BOI指数法、NDBWI指数法、WCI指数法和斜率指数法在成都市黑臭水体识别效果，认为WCI模型的一致性最好。上述研究成果利用各种算法较大程度发挥了GF-1、GF-2等系列国产卫星在城市建成区黑臭水体识别的作用，具有较高的参考意义，可作为本次研究的理论基础。
然而，在我国北方很多的城市城区，存在着大量的小微黑臭水体尚未识别[25-26]。该类水体因为规模小、分散性强、流动性差、污染源复杂而识别程度较低。本研究借鉴了前人的研究方法，开展城市建成区的小微黑臭水体识别。基于GF-2高分辨率卫星影像数据，利用波段比值法构建城市小微黑臭水体遥感识别算法模型，结合黑臭水体形成机理及成因分析，在GF-2影像上建立水体颜色、形状、纹理、次生环境、沟渠淤塞、岸线垃圾等遥感识别标志；以保定市14个建成区的黑臭水体为研究对象，综合“算法-标志”的协同识别结果，分别从点、面2个层次验证黑臭水体识别精度。针对识别结果讨论了黑臭水体遥感识别指标权重占比、小微黑臭水体识别错误与遗漏情况、不同时期黑臭水体遥感信息变化特征、影响方法精度的不确定性因素分析等，可为黑臭水体遥感识别方法体系建设提供基础数据。

2 实验区概况、数据来源及预处理

2.1 实验区概况

保定市是国务院批复确定的京津冀地区中心城市之一。位于河北省中部偏西，太行山东麓，河北平原西部[27]。地理坐标为113°40′ E—116°20′ E，38°10′ N—40°00′ N，全市下辖5个区、15个县、代管4个县级市（图1）。
图1 保定市建成区范围及样本点位分布

Fig. 1 Baoding city built-up area and sample location distribution map

研究范围涵盖了市辖区内14个区、县级市、县等平原建成区，包括竞秀区、莲池区、满城区、清苑区、徐水区、高碑店市、涿州市、安国市、定州市、定兴县、高阳县、望都县、易县和蠡县。保定市属暖温带大陆性季风气候区，冬季寒冷少雪，夏季炎热多雨。区内大部分河流发源于太行山麓，自西向东径流，多属季节性河流，仅在雨季有短暂流水。在 14个辖区的建成区内101处疑似黑臭水体点位中随机选取35处小微黑臭水体作为本研究样本点位（图1中黄色圆点），选取的点位占全市的疑似黑臭水体的34.65%，样本均为城市建成区各类型沟、渠、溪、塘等水域，具有代表性，然后提取各位置水体的光谱信息；同样在区内643处一般水体点位中随机选取35处一般水体样本点提取样本点水体光谱信息，选取的点位占全市一半水体的5.44%，一般水体样本点同样为建成区内主要的小微沟、渠、溪、塘等水域（图1中蓝色圆点）。

2.2 遥感数据获取及预处理

本研究考虑了不同季节的黑臭水体的具有一定的变化的特征，获取了2023年2月（5景）、5月（5景）、10月（5景）GF-2 PMS的共15景图像，覆盖了保定市14个建成区主要水体，成像时间与实测数据最为接近。GF-2是我国现阶段分辨率最高的民用卫星[28]，于2015年3月正式投入使用，搭载了0.8 m全色相机和3.2 m多光谱相机，可获取波谱范围为0.45~0.90 μm的1 m全色影像，和由蓝（0.45~0.52 μm）、绿（0.52~0.59 μm）、红（0.45~0.69 μm），近红外（0.77~0.89 μm） 4个波段组成的4 m多光谱影像。
经影像精度评价分析，目前亚米级高分影像能够有效识别的最小面积为100 m2、且宽度不小于 5 m的黑臭水体。本研究为保证筛选的GF-2影像能够精准地完成城市小微黑臭水体遥感识别，需对影像进行预处理，采用ArcGIS遥感影像处理平台完成。处理过程包括：正射校正、辐射定标、大气校正、影像融合等[29]。① 利用DEM数字高程模型对多光谱影像和全色影像自带的参数进行正射校正与几何精校正； ② 采用中国资源卫星应用中心公布的绝对辐射定标系数[30]进行绝对定标，利用定标结果计算大气层顶表观反射率TOARt(λ) (Apparent reflectance at Top of Atmosphere)，然后基于辐射传输模型的解析公式计算瑞利分子散射的反射率 Rr(λ)[31]； ③ 大气校正主要是校正大气中的气溶胶散射和大气分子散射，对于GF-2来说，缺少专门用于大气校正的2个近红外或者2个短波红外波段，因此本研究使用瑞利散射校正反射率，然后寻找受气溶胶散射影响比较小的光谱指数，实现黑臭水体的识别； ④ 经过瑞利散射校正后的遥感影像，作为融合前的影像，采用Gram-Schmidt融合方法将GF-2影像多光谱波段与全色波段进行融合，对融合后的图像进行水体提取，剔除水体岸边明显的混合像元，并对细小水体进行补全（图2）。
图2 GF-2遥感数据预处理流程

Fig. 2 The preprocessing process of GF-2 remote sensing data

3 研究方法

随着遥感技术的不断发展，利用高分遥感技术识别黑臭水体已经趋于完善。小微黑臭水体有效识别首先是筛选高精度遥感数据并进行必要的数据处理，其次探索黑臭水体的波段特征、遥感识别标志特征，通过野外水质检测方法获得准确的黑臭水体指标，最终经过精度评价，分析各项指标所占比重、小微黑臭水体识别错误和遗漏等情况、同一水体不同时期的变化特征、影响方法精度的不确定性因素分析等。本文提出的黑臭水体综合遥感识别与精度评价技术路线如图3所示。
图3 黑臭水体综合遥感识别与精度评价技术路线

Fig. 3 Technical roadmap of integrated remote sensing identification and accuracy evaluation of black and odorous water bodies

（1）利用GF-2遥感数据作为数据源，针对研究需求，开展多期次GF-2遥感数据正射校正、辐射定标、大气校正、影像融合等预处理分析。
（2）利用波段比值法构建城市小微黑臭水体遥感识别算法模型，进行阈值划分，从波段比值角度判断是否为黑臭水体；通过黑臭水体形成机理及成因分析，在GF-2影像上建立水体颜色、形状、纹理、次生环境、沟渠淤塞、岸线垃圾等遥感识别标志，综合识别算法和识别标志结果完成小微黑臭水体识别。
（3）通过“目测+无人机航拍+水质检测”的方式进行精度验证，以透明度、溶解氧、氧化还原电位和氨氮4项指标来判断是否为黑臭水体，分别从点位、面积2个层次验证黑臭水体遥感识别精度。最终经过精度评价，分析各项指标所占比重、小微黑臭水体识别错误和遗漏等情况、同一水体不同时期的变化特征、影响方法精度的不确定性因素等。

3.1 综合遥感识别

3.1.1 遥感识别模型

基于GF-2的4个波段，其对应的城市黑臭水体波段范围为Band2（绿）、Band3（红）波段，其中心波长分别为546 nm和656 nm，很好地体现了城市黑臭水体的这一光谱特征。根据何红术[32]的波段比值法，利用GF-2影像对保定市建成区小微黑臭水体与一般水体进行光谱曲线特征分析，图4（a）为35个黑臭水体样本点位的光谱曲线、4（b）为35个一般水体样本点位光谱曲线，从图4看出，黑臭水体的表观反射率整体偏低且光谱曲线走势较为平缓，这与吴世红[33]的研究结论一致，在Band2（绿）、Band3（红）波段反射率上升缓慢。而一般水体具有较高的反射率值。因此，利用2个波段组合的反射率差与和的比值识别小微黑臭水体，即NDBWI指数[34]，如式（1）所示。
N 1 ≤ B a n d 2 ( 绿 ) - B a n d 3 ( 红 ) B a n d 2 ( 绿 ) + B a n d 3 ( 红 ) ≤ N 2
式中：Band2（绿）、Band3（红）分别为GF-2影像2、3波段大气校正后的反射率值；N1、 N2为自然常数[35]。
图4 黑臭水体与一般水体光谱反射率对比

Fig. 4 Comparison of spectral reflectance between black and odorous water bodies and ordinary water bodies

基于本研究实测的70个水体样本，制作了红绿波段遥感反射率比值分布图（图5），选取1作为划分黑臭水体与一般水体的阈值点。当0≤波段比值 ≤1时，判别为黑臭水体；当波段比值≥1时，判别为一般水体。
图5 红绿波段遥感反射率比值分布

Fig. 5 Band remote sensing reflectance ratio distribution map

3.1.2 遥感识别标志

小微黑臭水体的形成十分复杂，受污染源的种类和次生环境等多种因素的影响[36-37]，可归纳为污染物排放、内源污染和水动力条件等[38]。一方面由于有机污染物进入水体后，在分解过程中消耗了水中大量氧气[39]，对有机污染物进行无氧分解[40]。另一方面水中的厌氧细菌开始在缺氧状态下发生降解腐败，产生腐殖质、氨氮、硫化氢和甲烷等物质[41]，这些物质会导致水体颜色加暗加深、气味变浓变臭，最终呈现出“黑臭→复氧能力丧失→黑臭加重”的恶性循环状态[42]。为了能够更加准确的区别小微黑臭水体与一般水体差异光学特征[43]，研究构建了水体颜色、形状、纹理、次生环境、沟渠淤塞、岸线垃圾6大遥感识别标志，以协同遥感识别算法进一步剔除误判水体。
（1）水体颜色。黑臭水体中溶解或悬浮的污染物成分或浓度不同，这使得其颜色与正常水体有一定的差异[44]。例如，当受污染的气体在上升过程中携带污泥进入水体，形成了大量的悬浮物质，使水体发黑、发绿[45]。在GF-2遥感影像上，黑臭水体通常呈现黑色、翠绿色、红褐色等光学遥感标志，一般水体多为浅绿色、浅灰色、浅黄色等光学标志（图6（a））。
图6 黑臭水体遥感识别标志及实地照片

Fig. 6 Black and odorous water bodies identification signs and field photos

（2）水体形状。黑臭现象多发于水系狭窄、沟渠不够齐整等水域，在GF-2影像表现出细小、狭长以及形状不规则不固定的空间特征，多受环境污染在下雨条件下积水形成，随时间推移形状变化明显，例如图6（b）为坑塘中的各种漂浮物、悬浮物的出现导致水面变小，呈现不规则形状，同时在颜色上呈现黑臭水体颜色。
（3）影像纹理。在GF-2影像上，黑臭水体纹理较一般水体更粗糙，水面周边或内部可见灰黑色、白色或绿色斑点，一般为漂浮物、漂浮物、生活建筑垃圾等。图6（c）为坑塘中藻类繁殖形成的水华、漂浮物等引发的黑臭水体，影像呈现绿色、灰色相间、且纹理粗糙等显著特征，坑南坡和西坡有少量生活垃圾，水体有轻微腥臭味，黑臭水体光学标志明显。
（4）次生环境。由于建成区小微水体周边城镇生活废水排放、城边垃圾乱堆乱排、畜禽养殖企业肥料违规排放等，造成水体富营养化，形成次生环境问题，导致藻类植物大量死亡、腐烂。当一般水体发生次生环境问题后，将造成藻类大量繁殖形成水华、浮萍，随着时间推移，水体恶化最终形成黑臭水体[46]。图6（d）为沟渠中浮萍泛滥并大量死亡后引发的水体黑臭现象，其影像颜色呈翠绿色、深灰色，西部浮满灰黑色垃圾，具有强烈酸臭味，黑臭水体特征明显。
（5）沟渠淤塞。城市水体流通不畅也是引起水体黑臭的因素之一[47]。城市用水的不断增加，沟渠、溪流上游来水量减少而导致废弃物增加，造成沟渠、溪流排水不畅，降低水体污染负荷的自净能力，最终形成黑臭水体。因此，影像上识别的沟渠淤塞也是判别黑臭水体的依据之一。图6（e）框内为建成区内小微沟渠、溪流出现淤堵和死水浜引发的黑臭现象。水面浮满浮萍、绿色藻类植物和黑色垃圾，挥发出刺鼻难闻的气味。
（6）岸线垃圾。岸线垃圾堆放不仅会造成水体堵塞、水面变小，且发酵后的垃圾还会散发异臭，如硫化氢（H2S）、甲烷（CH4）等。在城乡结合部，一些生活、建筑垃圾等被肆意堆放在坑塘、沟渠岸线边，也是造成水体黑臭的重要原因。岸线垃圾在遥感影像上多呈色调不均匀且深浅不一的特征，影纹纹理多灰白相间的斑点状、散射状特征。图6（f）所示，红色框内为坑塘岸线垃圾堆放引发的黑臭水体，坑塘东北侧、西南侧等均有生活垃圾，可闻到严重的腥臭味儿，黑臭水体特征明显。

3.2 精度验证与评价

3.2.1 实测数据获取

为验证黑臭水体综合遥感识别精度，采用“目测+无人机航拍+水质检测”的方式进行验证。并记录水体各项信息。根据《城市黑臭水体整治工作指南》[48]，城市小微黑臭水体判别标准主要通过透明度、溶解氧、氧化还原电位和氨氮4项指标来判断。其中，透明度采用黑白塞氏盘法测得，溶解氧和氧化还原电位等由智能便携式检测仪LH-T600测得，氨氮由污水氨氮检测仪LH-M900测得。各项指标判别标准[49]如表1所示。
表1 城市黑臭水体指标分级标准

Tab. 1 Urban Black and odorous water bodies index classification standard

特征指标 一般水体 轻度黑臭 重度黑臭 测定方法
透明度/cm >25 10~25[50] <10 黑白盘法或铅字法
溶解氧/(mg/L) >2.0 0.2~2.0 <0.2 电化学法
氧化和还原电位/mV >50 -200~50 <-200 电极法
氨氮/(mg/L) <8.0 8.0~15 >15 纳氏试剂光度法或水杨酸-次氯酸盐光度法[51]

3.2.2 识别精度评价

点位识别精度评价，包括精确率、灵敏度、准确率精度评价。通过野外验证与水质指标测定后，最终确定黑臭水体点位数量。利用式（2）—式（4）等进行黑臭水体点位识别精确率、灵敏度、准确率等精度评价，分别计算得到精确率即查准率（P1）、灵敏度即查全率（P2）、准确率（P3）。
P 1 = N N 1 + N 2 × 100 %
P 2 = N N + N 3 × 100 %
P 3 = N 4 + N 5 N 2 + N 6 × 100 %
式中：N为经水质检测确定的遥感识别黑臭水体点位数；N1为核查的黑臭水体点位数；N2为识别遗漏的黑臭水体点位数；N3为经水质检测确定的识别遗漏黑臭水体点位数；N4为经水质检测确定的黑臭水体点位总数；N5为核查的一般水体点位数；N6为遥感识别的黑臭水体点数。
面积识别精度评价。遥感识别的黑臭水体，经核查与水质检测，确定黑臭水体总面积。利用式（5）逐一计算黑臭水体遥感识别精度（P），最后取各点位识别精度的平均值作为最终的识别精度P4，见式（6）。
P = S 2 S 1 × 100 %
P 4 = 1 n ∑ P
式中：S1为识别水体面积/m2；S2为确认黑臭水体面积/m2；n为参与评价水体面积精度的黑臭水体数/个。

4 结果及分析

4.1 综合遥感识别结果

基于GF-2遥感识别标志识别保定市建成区小微黑臭水体点位31处，识别黑臭面积38 475 m2。在此基础上，对波段比值结果进行统计计算，若同一坑塘、沟渠水体的相邻单元均判别为黑臭水体，则将这2个单元归为同一个黑臭水体，否则划分为2处黑臭水体，以此确定黑臭水体数量及面积，将波段比值结果与遥感识别标志结合，进一步判断坑塘、沟渠、溪流等是否发生黑臭现象，补充识别了黑臭水体4处。因此，利用综合遥感最终识别黑臭水体35处，识别黑臭面积40 777 m2（图7、表2）。
图7 黑臭水体综合遥感识别结果

Fig. 7 Black and odorous water bodies comprehensive remote sensing identification result map

表2 综合遥感识别的黑臭水体结果

Tab. 2 Results of black and odorous water identified by integrated remote sensing

水体编号 经度/°E 纬度/°N 水体类型 识别水体
面积S1/m2		 波段比值 水体编号 经度/°E 纬度/°N 水体类型 识别水体
面积S1/m2		 波段比值
Y001 115.435 38.836 坑塘 1 339 0.56 Y019 115.621 39.036 坑塘 409 0.13
Y002 115.373 38.860 坑塘 569 0.08 Y020 115.615 39.018 坑塘 478 0.35
Y003 115.405 38.829 坑塘 467 0.25 Y021 115.628 39.000 坑塘 430 0.61
Y004 115.416 38.846 坑塘 2 523 0.33 Y022 115.772 39.276 沟渠 147 0.78
Y005 115.488 38.802 沟渠 918 0.45 Y023 115.559 38.482 坑塘 358 0.77
Y006 115.486 38.802 沟渠 4 290 0.18 Y024 115.771 39.276 坑塘 2 810 0.63
Y007 115.548 38.806 坑塘 520 0.85 Y025 115.769 39.273 坑塘 4 596 0.25
Y008 115.554 38.805 坑塘 518 0.56 Y026 115.794 38.684 坑塘 671 0.08
Y009 115.165 38.718 坑塘 695 0.81 Y027 115.310 38.406 坑塘 598 0.18
Y010 115.487 39.348 坑塘 1 468 0.55 Y028 115.145 38.719 坑塘 625 0.10
Y011 115.558 38.820 坑塘 470 0.54 Y029 115.484 39.349 坑塘 1 830 0.63
Y012 115.585 38.876 坑塘 996 0.55 Y030 115.560 38.484 坑塘 490 0.28
Y013 115.526 38.757 坑塘 1 552 0.25 Y031 115.852 39.332 坑塘 496 0.45
Y014 115.521 38.767 坑塘 1 888 0.25 Y032 115.311 38.407 坑塘 856 0.26
Y015 115.462 38.770 坑塘 1 475 0.48 Y033 115.848 39.328 坑塘 1 625 0.85
Y016 115.691 39.044 坑塘 1 308 0.71 Y034 115.851 39.332 坑塘 850 0.46
Y017 115.647 39.054 沟渠 308 0.09 Y035 115.847 39.329 坑塘 1 514 0.11
Y018 115.653 39.034 坑塘 690 0.08

4.2 精度评价结果

4.2.1 野外验证结果

本研究核查水体点位共38处，包括遥感识别的黑臭水体35处、核查新增识别遗漏的黑臭水体3处。经水质指标测定后，最终确定为黑臭水体点位32处，包括遥感识别点位29处、新增识别遗漏点位3处。其余6处为综合遥感识别的黑臭水体，经野外核查后确定为一般水体（表3），并确定遥感识别黑臭水体的坐标、类型、面积及黑臭原因。采用人机交互的方式确定水体边界矢量，以确保水体面识别的准确性，当判断整个水域为黑臭水体时，则该水域确认黑臭水体面积（S2）与识别水体面积（S1）一致；当部分水域为黑臭水体时，根据GF-2多时相影像，人工识别确定黑臭范围，从识别的区文件中剔除一般水体的面积，剩余水体即为黑臭水体。
表3 黑臭水体野外验证结果信息

Tab. 3 Black and odorous water field verification results

水体
编号		 经度/°E 纬度/°N 水体类型 水体黑臭来源 识别水体
面积S1/m2		 确认黑臭水体
面积S2/m2		 识别精度P/% 野外验证结果
Y001 115.435 38.836 坑塘 生活垃圾，建筑垃圾 1 339 1 339 100.00 遥感识别黑臭水体
Y002 115.373 38.860 坑塘 生活污水 569 569 100.00 遥感识别黑臭水体
Y003 115.405 38.829 坑塘 生活污水、生活垃圾 467 467 100.00 遥感识别黑臭水体
Y004 115.416 38.846 坑塘 生活垃圾 2 523 2 204 87.36 遥感识别黑臭水体
Y005 115.488 38.802 沟渠 生活垃圾 918 918 100.00 遥感识别黑臭水体
Y006 115.486 38.802 沟渠 生活垃圾 4 290 4 290 100.00 遥感识别黑臭水体
Y007 115.548 38.806 坑塘 生活垃圾、建筑垃圾 520 255 49.04 遥感识别黑臭水体
Y008 115.554 38.805 坑塘 生活垃圾、建筑垃圾 518 518 100.00 遥感识别黑臭水体
Y009 115.165 38.718 坑塘 - 695 0 - 一般水体
Y010 115.487 39.348 坑塘 - 1 468 0 - 一般水体
Y011 115.558 38.820 坑塘 养殖粪污 470 470 100.00 遥感识别黑臭水体
Y012 115.585 38.876 坑塘 生活垃圾 996 873 87.65 遥感识别黑臭水体
Y013 115.526 38.757 坑塘 生活垃圾 1 552 1 097 70.68 遥感识别黑臭水体
Y014 115.521 38.767 坑塘 生活垃圾 1 888 1 617 85.65 遥感识别黑臭水体
Y015 115.462 38.770 坑塘 生活垃圾 1 475 1 224 82.98 遥感识别黑臭水体
Y016 115.691 39.044 坑塘 养殖粪污 1 308 1 308 100.00 遥感识别黑臭水体
Y017 115.647 39.054 沟渠 工业污水 308 308 100.00 遥感识别黑臭水体
Y018 115.653 39.034 坑塘 生活污水、养殖粪污 690 690 100.00 遥感识别黑臭水体
Y019 115.621 39.036 坑塘 生活垃圾、建筑垃圾 409 409 100.00 遥感识别黑臭水体
Y020 115.615 39.018 坑塘 生活污水、生活垃圾 478 478 100.00 遥感识别黑臭水体
Y021 115.628 39.000 坑塘 工业污水、生活污水 430 430 100.00 遥感识别黑臭水体
Y022 115.772 39.276 沟渠 生活污水、生活垃圾 147 147 100.00 遥感识别黑臭水体
Y023 115.559 38.482 坑塘 - 358 0 - 一般水体
Y024 115.771 39.276 坑塘 生活污水、生活垃圾 2 810 2 622 93.31 遥感识别黑臭水体
Y025 115.769 39.273 坑塘 生活污水、生活垃圾 4 596 4 383 95.37 遥感识别黑臭水体
Y026 115.794 38.684 坑塘 生活垃圾、建筑垃圾 671 671 100.00 遥感识别黑臭水体
Y027 115.310 38.406 坑塘 - 598 0 - 一般水体
Y028 115.145 38.719 坑塘 工业污水 625 625 100.00 遥感识别黑臭水体
Y029 115.484 39.349 坑塘 生活污水、生活垃圾 1 830 1 559 85.19 遥感识别黑臭水体
Y030 115.560 38.484 坑塘 生活垃圾、建筑垃圾 490 376 76.73 遥感识别黑臭水体
Y031 115.852 39.332 坑塘 - 496 0 - 一般水体
Y032 115.311 38.407 坑塘 生活污水、生活垃圾 856 614 71.73 遥感识别黑臭水体
Y033 115.848 39.328 坑塘 - 1 625 0 - 一般水体
Y034 115.851 39.332 坑塘 生活污水、生活垃圾 850 500 58.82 遥感识别黑臭水体
Y035 115.847 39.329 坑塘 生活垃圾、养殖粪污 1 514 1 514 100.00 遥感识别黑臭水体
Y036 115.491 38.799 沟渠 建筑垃圾 - 251 - 核查新增黑臭水体
Y037 115.629 38.998 坑塘 生活污水 - 805 - 核查新增黑臭水体
Y038 115.810 39.252 坑塘 生活垃圾 - 375 - 核查新增黑臭水体

4.2.2 精度评价结果

分别从点位识别精度和面积识别精度两层次评价方法的有效性。
（1） 点位识别精度评价结果。通过综合遥感识别的35处黑臭水体点位中，野外核查为黑臭水体点位31处、一般水体点位4处。另外，核查中新增识别遗漏的黑臭水体点位3处，因此合计核查的水体点位共38处。经水质指标测定后，最终确定黑臭水体点位32处，包括遥感识别点位29处、遥感识别遗漏点位3处。利用式（2）、式（3）、式（4）等分别计算得到精确率即查准率（P1）为85.29%；灵敏度即查全率（P2）为90.63%；准确率（P3）为94.74%。
（2）面积识别精度评价结果。遥感识别的35处黑臭水体中，经核查与水质检测，共有6处为一般水体，29条全部为黑臭水体，确定的黑臭水体总面积为32 475 m2。利用式（5）逐一计算黑臭水体遥感识别精度（P），最后取各点位识别精度的平均值作为最终的识别精度P4为91.19%。

5 讨论

5.1 识别标志权重分析

为进一步分析波段比值结果和遥感识别标志在识别结果中所占权重，选取综合遥感识别后经核查确定的29处黑臭水体进行分析。采用二值函数进行评价，当某一项黑臭水体遥感识别标志存在时，取值为1，否则为0；然后计算每个水体各项标志所占的比重；最后取所有水体各项识别标志的平均值作为该项标志的综合比重（表4），波段比值结果在黑臭水体识别指标体系中所占比重最大，占比25.38%。其次为水体颜色，占比21.11%。岸线垃圾和次生环境比重其次，分别为16.24%、16.11%。水体形状和水体纹理所占比重分别为12.58%和7.24%，对部分水体具有指示作用，沟渠淤塞在识别黑臭水体方面的能力最弱，比重仅占1.83%。
表4 黑臭水体综合遥感识别指标比重

Tab. 4 Proportion of integrated remote sensing identification index of Black and odorous water

水体编号 识别标志比重 波段比值
比重K7
水体颜色K1 水体形状K2 影像纹理K3 次生环境K4 沟渠淤塞K5 岸线垃圾堆放K6
Y001 0.25 0.00 0.00 0.25 0.00 0.25 0.25
Y002 0.20 0.00 0.20 0.20 0.00 0.20 0.20
Y003 0.20 0.20 0.00 0.20 0.00 0.20 0.20
Y004 0.25 0.25 0.00 0.00 0.00 0.25 0.25
Y005 0.25 0.25 0.00 0.25 0.00 0.00 0.25
Y006 0.33 0.00 0.00 0.33 0.00 0.00 0.33
Y007 0.33 0.00 0.00 0.00 0.33 0.00 0.33
Y008 0.25 0.25 0.00 0.00 0.00 0.25 0.25
Y011 0.20 0.20 0.00 0.20 0.00 0.20 0.20
Y012 0.33 0.00 0.00 0.33 0.00 0.00 0.33
Y013 0.25 0.00 0.25 0.25 0.00 0.00 0.25
Y014 0.33 0.00 0.00 0.00 0.00 0.33 0.33
Y015 0.33 0.00 0.00 0.00 0.00 0.33 0.33
Y016 0.00 0.25 0.25 0.25 0.00 0.00 0.25
Y017 0.00 0.25 0.25 0.25 0.00 0.00 0.25
Y018 0.33 0.00 0.00 0.33 0.00 0.00 0.33
Y019 0.20 0.20 0.00 0.20 0.00 0.20 0.20
Y020 0.00 0.25 0.25 0.00 0.00 0.25 0.25
Y021 0.20 0.20 0.00 0.20 0.00 0.20 0.20
Y022 0.33 0.00 0.00 0.33 0.00 0.00 0.33
Y024 0.25 0.00 0.00 0.25 0.00 0.25 0.25
Y025 0.00 0.25 0.25 0.00 0.00 0.25 0.25
Y026 0.00 0.20 0.20 0.00 0.20 0.20 0.20
Y028 0.20 0.20 0.00 0.20 0.00 0.20 0.20
Y029 0.25 0.25 0.00 0.00 0.00 0.25 0.25
Y030 0.25 0.25 0.00 0.00 0.00 0.25 0.25
Y032 0.00 0.00 0.25 0.25 0.00 0.25 0.25
Y034 0.20 0.00 0.20 0.20 0.00 0.20 0.20
Y035 0.20 0.20 0.00 0.20 0.00 0.20 0.20
Ki′/% 21.11 12.58 7.24 16.11 1.83 16.24 25.38

5.2 错误与遗漏情况分析

虽然该方法有效识别了大部分黑臭水体，但也存在一定的错判情况。如图8（a）所示，坑塘颜色在影像上表现为深黑色、灰黑色，以此判断标志将图8（a）识别为黑臭水体，经现场核实发现水体颜色深是由于坑塘底部深色水草导致，水体清澈，经水质检测并无黑臭现象；再如图8（b）所示，坑塘颜色在影像上表现为翠绿色、鲜绿色，影纹粗糙，波段比值结果显示为黑臭水体曲线特征，以此将图8（b）识别为黑臭水体，经现场核实发现该水塘中藻类大量繁殖形成水华，但无异味，水质检测结果并未有黑臭现象。
图8 识别错误的黑臭水体影像

Fig. 8 Misidentified images of Black and odorous water

针对遥感识别遗漏的黑臭水体情况进行分析。如图9（a）水体位于城边村边缘，在2023年1月影像上表现为浅蓝色，水体颜色正常，周围未见明显垃圾，野外核实发现坑塘岸边存在少量垃圾，漏分原因是使用了冬季-春季影像，此时水面结冰，识别为正常水体，影像上垃圾被岸边水草覆盖，无法 观察到，经水质检测结果确定为黑臭水体。再如图9（b）遗漏的坑塘位于村庄内部，影像中坑塘呈深灰色，坑塘岸线整齐，水体呈灰黑色，但野外核实发现水体质量较差，漏分原因为河岸水草茂盛，识别较为困难。
图9 识别遗漏的黑臭水体影像

Fig. 9 Identify missing images of black and odorous water

5.3 不同时期水体变化分析

对比2023年2、5、10月的GF-2影像，结合波段算法分析保定市黑臭水体在春季、夏季、秋季的季节性变化。结果发现：图10（a）所示Y011号黑臭水体在时相为2月27日的GF-2影像上，水体颜色呈黑色，四周岸边可见白色垃圾，光谱曲线较平滑且整体反射率较低，通过综合识别判定为黑臭水体；图10（b）所示在5月7日的GF-2影像上，坑塘大部分覆盖翠绿色浮萍，东部露出水体呈灰黑色，坑塘水面上可见增多的斑点状灰白色垃圾，6月8日拍摄了照片，实测透明度15 cm，溶解氧1.01 mg/L， 氨氮16.02 mg/L，确定为黑臭水体；图10（c）所示在10月3日的GF-2影像上，浮萍已经消失，水体颜色呈灰黑色，岸边及水面垃圾已清除，光谱曲线较之前绿波段值有所上升，经水质检测最终判定为一般水体。
图10 黑臭水体治理前后识别标志与遥感反射率特征

Fig. 10 Identification marks and remote sensing reflectance characteristics of black and odorous water before and after treatment

结合走访调查与野外水质检测进行判断，该坑塘在2月初已出现黑臭现象，且岸边垃圾导致坑塘周围环境变差，至6月垃圾堆放情况未得到清理且已蔓延到水面上，环境进一步恶化，9月进行了垃圾清理，水体光谱曲线发生变化，通过波段比值结果呈现一般水体特征。

5.4 影响方法精度的不确定因素分析

本研究基于“算法-标志”协同技术较好地识别了实验区的小微黑臭水体，但受水体多样性、地区差异性等不确定因素影响，识别精度往往有所不同。比如本次选取的黑臭水体样本较为浑浊，水体透明度较低，反射率基本未受水底环境的影响，识别精度相对较高，反之，若选择相对透明的黑臭水体，其反射率会降低，并影响方法识别精度；再如本次选取的是河北平原区作为实验区，该区水体环境相对单一，识别标志较易建立，若在环境复杂的城市建成区，水体环境变得复杂，同样会降低水体识别标志的准确性；另外，浮萍在光学影像上的识别标志较为明显，但波段比值算法对其信息识别效果一般，一定程度上降低了识别方法的精度。
综上所述，利用综合遥感“算法-标志”协同识别技术识别小微黑臭水体的精度较高。为了进一步验证“算法-标志”方法的有效性，选取了红绿波段比值法、差值法、WCI指数法等进行了识别与精度评价分析。选取实验区内的黑臭水体，在相同条件下进行遥感识别与精度验证，红绿波段比值法、差值法、WCI指数法的点位识别精度分别为88.6%、85.8%和92.86%，面积识别精度分别为86.99%、80.76%、89.24%，对比可知，利用“算法-标志”方法进行小微黑臭水体识别效果更佳。另外，在识别过程中存在一定数量的识别错误和遗漏的水体。经统计，识别错误的黑臭水体6处，占识别总数的17.1%，识别遗漏的黑臭水体3处，占识别总数的8.57%，其错分率、漏分率相对较低。需要后期结合研究区实际进行识别标志精修、完善。权重分析结果显示波段比值结果与水体颜色在黑臭水体遥感识别指标中所占比重最大，二者对城市小微黑臭水体识别起到主要判识作用，该研究提出的“算法-标志”协同识别技术需在其他区域进行进一步验证和探讨。

6 结论

本研究提出了基于GF-2影像的综合遥感“算法-标志”协同识别技术，较好地区分了实验区内的黑臭水体与一般水体，解决了城市小微黑臭水体快速定位的问题，具有较高的精度，利用该方法在北方平原建成区小微黑臭水体识别中具有较高的适用性。通过研究得出如下结论：
（1）利用GF-2影像开展了综合识别算法和识别标志研究，并完成了精度评价。结果显示黑臭水体点位识别精确率（P1）为85.29%、灵敏度（P2）为90.63%、准确率（P3）为94.74%，黑臭水体面积识别精度（P4）为91.19%。该方法具有较高的精度，表明该方法能够解决城市小微黑臭水体整治过程中的识别精度难题。
（2）基于黑臭水体识别结果权重分析，波段比值结果与水体颜色在黑臭水体遥感识别指标中分别占比25.38%和21.11%，所占比重最大，二者对城市小微黑臭水体识别起到主要判识作用。
（3）对比2023年2、5、10月共3期水体的综合遥感识别结果，综合遥感识别技术能够较好地反映黑臭水体时空变化特征。虽然存在一定数量的识别错误和遗漏的小微水体，但其错分率、漏分率相对较低。
（4）虽然波段比值算法在保定市很好区分了黑臭水体与一般水体，但由于引起水体黑臭的原因多样且复杂，仅由比值结果来识别黑臭水体可能存在一定的误判，因此需要结合高分遥感识别标志对水体性质进行综合判识。此外，比值算法应用较为便捷，但受水体多样性、地区差异性影响，该算法阈值分布的稳定性有待进一步验证，需要大量的应用数据进行检验。
由于不同城市引起小微水体黑臭的原因都有所不同，因此本次创新的“算法-标志”协同技术需进一步在其他城市开展相关研究，尤其是方法的适用性、阈值稳定性和精度评价等内容，是下一步研究工作的重点。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
高迎春, 王利香, 佟连军, 等. 石家庄城市边缘区土地利用变化分析[J]. 国土资源遥感, 2010, 22(1):107-111.

[Gao Y C, Wang Li X, Tong L J, et al. Analysis of land use change in urban fringe area of Shijiazhuang[J]. Remote Sensing of Land and Resources, 2010, 22(1):107-111.] DOI:JournalArticle/5af55e76c095d718d8246adf

[2]
曹阳. 浅析"城中村"的规划与建设——以漳州市新城市中心区为例[J]. 小城镇建设, 2005(8):58-61.

[Cao Y. Analysis on the planning and construction of "Village in City" -- A case study of Zhangzhou New City Center[J]. Small town Construction, 2005(8):58-61.] DOI:10.3969/j.issn.1002-8439.2005.08.018

[3]
住房城方法研究[J]. 应用基础与工程科学学报, 2024, 32(2):314-330.

[Liu B, Li T H. Remote sensing identification of urban black and odorous water bodies based on high-resolution images[J]. Journal of Applied Basic and Engineering Sciences, 2024, 32(2):314-330.] DOI:10.16058/j.issn.1005-0930.2024.02.002

[4]
吕佳佳. 黑臭水形成的水质和环境条件研究[D]. 武汉: 华中师范大学, 2021.

[Lu J J. Study on water quality and environmental conditions of black and smelly water formation[D]. Wuhan: Central China Normal University, 2021.] DOI:10.7666/d.y1898197

[5]
刘莹. 巢湖蓝藻富营养化监测与预警优化研究[D]. 合肥: 合肥工业大学, 2012.

[Liu Y. Study on monitoring and early warning optimization of cyanobacteria eutrophication in Chaohu Lake[D]. Hefei: Hefei University of Technology, 2012.] DOI:10.7666/d.Y2177358

[6]
卢信, 冯紫艳, 商景阁, 等. 不同有机基质诱发的水体黑臭及主要致臭物(VOSCs)产生机制研究[J]. 环境科学, 2012, 33(9):3152-3159.

[Lu X, Feng Z Y, Shang J G, et al. Study on the mechanism of black odor and major odors (VOSCs) in water induced by different organic substrates[J]. Environmental Science, 2012, 33(9):3152-3159.] DOI:10.13227/j.hjkx.2012.09.047

[7]
李张卿, 宋桂杰, 李晓. 深圳市白花河黑臭水体综合治理技术探讨[J]. 给水排水, 2018, 44(7):47-50.

[Li Z Q, Song G J, Li X. Study on comprehensive treatment technology of black and odorous water body in Baihua River,Shenzhen[J]. Water supply and Drainage, 2018, 44(7):47-50.] DOI:10.13789/j.cnki.wwe1964.2018.0193

[8]
徐敏, 姚瑞华, 宋玲玲, 等. 我国城市水体黑臭治理的基本思路研究[J]. 中国环境管理, 2015, 7(2):74-78.

[Xu M, Yao R H, Song L L, et al. Research on the basic ideas of controlling black and odor in urban water bodies in China[J]. Chinese Environmental Management, 2015, 7(2):74-78] DOI:10.16868/j.cnki.1674-6252.2015.02.014

[9]
沙昊雷, 章黎笋, 陈金媛. 常州市白荡浜黑臭水体生态治理与景观修复[J]. 中国给水排水, 2012, 28(14):74-78.

[Sha H L, Zhang L M, Chen J Y. Ecological management and landscape restoration of black and smelly water body in Baidangbang, Changzhou[J]. China Water Supply and Drainage, 2012, 28(14):74-78.] DOI:10.3969/j.issn.1000-4602.2012.14.020

[10]
黄金洲, 郑东丹. 广州市黑臭水体治理技术应用现状分析[J]. 化工设计通讯, 2019, 45(7):128-129.

[Huang J Z, Zheng D D. Analysis on the application status of black and odorous water treatment technology in Guangzhou[J]. Chemical design newsletter, 2019, 45(7):128-129.] DOI:10.3969/j.issn.1003-6490.2019.07.084

[11]
楚昊, 王倩, 王洪. 贵阳市某湖塘型黑臭水体治理实例分析[J]. 四川环境, 2023, 42(3):189-193.

[Chu H, Wang Q, Wang H. Case study on the treatment of a lake-type black and odorous water body in Guiyang[J]. Sichuan Environment, 2023, 42(3):189-193.] DOI:10.14034/j.cnki.schj.2023.03.027

[12]
赖江钿, 程明双, 余光伟, 等. 利用电动修复技术原位氧化去除黑臭底泥还原性污染物的室内模拟实验[J]. 环境工程学报, 2020, 14(7):1779-1788.

[Lai J T, Cheng M S, Yu G W, et al. Indoor simulation experiment of insitu oxidation removing the reductive pollutants in black odorous river sediment with electrokinetic remediation[J]. Chinese Journal of Environmental Engineering, 2020, 14(7):1779-1788.] DOI:10.12030/j.cjee.201909006

[13]
杨子谦, 刘怀庆, 吕恒, 等. 毕顺基于高分影像的城市水体遥感综合分级方法[J]. 环境科学, 2021, 42(5):2213-2222.

[Yang Z Q, Liu H Q, Lu H, et al. Bi Shun's comprehensive classification method of urban water body by remote sensing based on high-resolution images[J]. Environmental Science, 2021, 42(5):2213-2222.] DOI:10.13227/j.hjkx.202008285

[14]
姚月, 申茜, 朱利, 等. 高分二号的沈阳市黑臭水体遥感识别[J]. 遥感学报, 2019, 23(2):230-242.

[Yao Y, Shen Q, Zhu L, et al. Remote sensing identification of urban black-odor waterbodies in Shenyang city based on GF-2 image[J]. Journal of RemoteSensing, 2019, 23(2):230-242.] DOI:10.11834/jrs.20197482

[15]
张兵, 李俊生, 申茜, 等. 长时序大范围内陆水体光学遥感研究进展[J]. 遥感学报, 2021, 25(1):37-52.

[Zhang B, Li J S, Shen Q, et al. Recent research progress on long time series and large scale optical remote sensing of inland water[J]. National Remote Sensing Bulletin, 2021, 25(1):37-52.] DOI:10.11834/jrs.20210570

[16]
胡淼, 张宁, 王罗娟, 等. 多源数据对黑臭水体整治的遥感监测[J]. 环境与发展, 2016:159-161.

[Hu M, Zhang N, Wang L J, et al. Remote sensing monitoring of black and odorous water bodies with multi-source data[J]. Environment and development, 2016:159-161.] DOI:10.16647/j.cnki.cn15-1369/X.2017.09.092

[17]
顾佳艳, 何国富, 占玲骅, 等. 上海市黑臭水体光谱特征分析及遥感识别方法探究[J]. 环境科学研究, 2022, 35(1):70-79.

[Gu J Y, He G F, Zhan L H, et al. Spectral characteristics analysis and remote sensing identification methods of black and odorous water bodies in Shanghai[J]. Research in Environmental Sciences, 2022, 35(1):70-79.] DOI:10.13198/j.issn.1001-6929.2021.10.04

[18]
刘冰, 李天宏. 基于高分影像的城市黑臭水体遥感识别方法研究[J]. 应用基础与工程科学学报, 2024, 32(2):314-330.

[Liu B, Li T H. Remote sensing identification of urban black and odorous water bodies based on high-resolution images[J]. Journal of Applied Basic and Engineer- ing Sciences, 2024, 32(2):314-330.] DOI:10.16058/j.issn.1005-0930.2024.02.002

[19]
刘冉, 徐鹏, 刘心怡, 等. 基于辐射传输过程的水质遥感模型及其在珠江口的应用[J]. 绿色科技, 2020(18):236-240.

[Liu R, Xu P, Liu X Y, et al. Remote sensing model of water quality based on radiative transfer process and its application in the Pearl River Estuary[J]. Green Technology, 2020(18):236-240.] DOI:10.3969/j.issn.1674-9944.2020.18.087

[20]
温爽, 王桥, 李云梅, 等. 基于高分影像的城市黑臭水体遥感识别:以南京为例[J]. 环境科学, 2018, 39(1):57-67.

[Wen S, Wang Q, Li Y M, et al. Remote sensing identification of urban blackodor waterbodies based on high-resolution images:a case study in Nanjing[J]. Environmental Science, 2018, 39(1):57-67.] DOI:10.13227/j.hjkx.201703264

[21]
七珂珂. 基于多源高分影像的城市黑臭水体遥感分级识别[D]. 成都: 西南交通大学, 2019.

[Qi K K. Classification and Recognition of Urban Black and Odor Water Based on Multi-source and High-resolution Images[D]. Chengdu: Southwest Jiaotong University, 2019.]

[22]
王茹, 申茜, 彭红春, 等. 多源高分辨率卫星影像监测黑臭水体的适用性研究[J]. 遥感学报, 2022, 26(1):179-192.

[Wang R, Shen Q, Peng H C, et al. Study on the applicability ofmulti-source high resolution satellite images for monitoring black and odorous water body[J]. National RemoteSensing Bulletin, 2022, 26(1):179-192.] DOI:10.11834/jrs.20220479

[23]
李佳琦, 李家国, 朱利, 等. 太原市黑臭水体遥感识别与地面验证[J]. 遥感学报, 2019, 23(4):773-784.

[Li J Q, Li J G, Zhu J, et al. Remote sensing identification and ground verification of black and odorous water bodies in Taiyuan City[J]. Journal of Remote Sensing, 2019, 23(4):773-784.] DOI:10.11834/jrs.20197292

[24]
胡澄宇, 张元军, 杜欢, 等. 基于卫星遥感影像的成都市黑臭水监测研究[J]. 四川环境, 2023, 42(5):153-159.

[Hu C Y, Zhang Y J, Du H, et al. Monitoring of black and smelly water in Chengdu based on satellite remote sensing images[J]. Sichuan Environment, 2023, 42(5):153-159.] DOI:10.14034/j.cnki.schj.2023.05.021

[25]
陈家伟, 赵振业, 吴属连, 等. 国内外小微黑臭水体治理技术现状综述[J]. 广东化工, 2021. 48(1):80-81.

[Chen J W, Zhao Z Y, Wu S L, et al. Review on the status quo of treatment technologies for small, dark and odorous water bodies at home and abroad[J]. Guangdong Chemical Industry, 2021, 48(1):80-81.] DOI:10.3969/j.issn.1007-1865.2021.01.036

[26]
徐昕, 刘松, 蒋力. 淮安市小微黑臭水体污染现状及其水质净化关键技术研究[J]. 江苏水利, 2022(4):57-61.

[Xu X, Liu S, Jiang L. Pollution status of small, dark and odorous water bodies in Huai'an City and research on key technologies for water purification[J]. Jiangsu Water Resources, 2022(4):57-61.] DOI:10.16310/j.cnki.jssl.2022.04.007

[27]
张林. 保定市城市雨水利用与建议[J]. 地下水, 2013, 35(1):84-85.

[Zhang L. Urban rainwater utilization and suggestions in Baoding city[J]. Groundwater, 2013, 35(1):84-85.] DOI:1004-1184(2013)01-0084-02

[28]
张宁宁. 基于GF-2的哈尔滨市黑臭水体动态监测与评价[D]. 哈尔滨: 哈尔滨师范大学, 2022.

[Zhang N N. Dynamic monitoring and evaluation of black and odorous water bodies in Harbin City based on GF-2[D]. Harbin: Harbin Normal University, 2022.]

[29]
张淳, 葛毅, 任越, 等. 基于优化的DeeplabV3+网络和高分影像分割浮萍型农村黑臭水体[J]. 遥感技术与应用, 2023, 38(6):1433-1444.

DOI

[Zhang C, Ge Y, Ren Y, et al. Semantic segmentation of rural black and odorous water body based on improved Deeplabv3+ Network with remote sensing images[J]. Remote Sensing Technology and Applica-tion, 2023, 38(6):1433-1444.] DOI:10.11873/j.issn.1004-0323.2023.6.1433

[30]
中国资源卫星应用中心. 定标系数[EB/OL]. 2016,(2016-10-10) [2017-04-05].

[China Centre for Resource Satellite Data and Application. Calib-ration[EB/OL]. 2016,(2016-10-10) [2017-04-05]. ] http://www.cresda.com/CN/Downloads/dbcs/10506.shtml

[31]
Gordon H R. Atmospheric correction of ocean color imagery in the Earth Observing System era[J]. Journal of Geophysical Research: Atmospheres, 1997, 102(D14):17081-17106. DOI:10.1029/96jd02443

[32]
何红术. 基于改进U-Net网络遥感语义分割的城市黑臭水体识别[D]. 北京: 中国科学院空天信息创新研究院, 2020.

[He H Z. Identification of urban black and odorous water bodies based on improved U-Net remote sensing semantic segmentation[D]. Beijing: University of Chinese Academy of Sciences.Academy of Aerospace Information Innovation, 2020.]

[33]
吴世红. 城市黑臭水体遥感监测关键技术研究进展[J]. 环境工程学报, 2019, 13(6):1261-1271.

[Wu S H. Research progress of remote sensing monitoring key technologies for urban black and odorous water bodies[J]. Chinese Journal of Environmental Engineering, 2019, 13(6):1261-1271.] DOI:10.12030/j.cjee.201812020

[34]
邵琥翔, 丁凤, 杨健, 等. 基于深度学习的黑臭水体遥感信息提取模型[J]. 长江科学院院报, 2022, 39(4):156-162.

DOI

[Shao H X, Ding F, Yang J, et al. Remote sensing information extraction model of black and odorous water body based on deep learning[J]. Journal of Yangtze River Scientific Research Institute, 2022, 39(4):156-162.] DOI:10.11988/ckyyb.20210045

[35]
朱利, 吕恒, 高红杰, 等. 城市黑臭水体遥感监管技术规范[S]. 中国环境科学学会, 2020.

[Zhu L, Lv H, Gao H J, et al. Technical code for remote sensing supervision of urban black and odorous water bodies[S]. Chinese Society of Environmental Sciences, 2020.]

[36]
张强. 浅谈土地利用对水环境的影响[J]. 国土资源, 2015(18):180-182.

[Zhang Q. Discussion on the impact of land use on water environment[J]. Land and Resources, 2015(18):180-182.] DOI:10.3969/j.issn.1674-2508.2015.18.145

[37]
许国. 基于河网特征的北京市河长制分级管理若干问题研究[D]. 郑州: 华北水利水电大学, 2018.

[Xu G. Research on some problems of hierarchical management of river length system in Beijing based on river network characteristics[D]. Zhengzhou: North China University of Water Resources and Electric Power, 2018.]

[38]
王妍, 姚杰, 杨朴, 等. 北京市黑臭水体治理的动态遥感监测及影响因素分析[J]. 环境工程学报, 2022, 16(9):3092-3101.

[Wang Y, Yao J, Yang P, et al. Dynamic remote sensing monitoring and its influence factors analysis for urban black and odorous water bodymanagement and treatment in Beijing,China[J]. Chinese Journal of Environmental Engineering, 2022, 16(9):3092-3101.] DOI:10.12030/j.cjee.202206034

[39]
牛美青, 苏玉更, 乔永波, 等. 微生物法对黑臭水体底泥的修复作用[J]. 广州化工, 2019, 47(23):125-126,140.

[Niu M Q, Su Y G, Qiao Y B, et alv Remediation of black and odorous water sediment by microbial method[J]. Guangzhou Chemical Industry, 2019, 47(23):125-126,140.] DOI:CNKI:SUN:GZHA.0.2019-23-047

[40]
林培. 《城市黑臭水体整治工作指南》解读[J]. 建设科技, 2015(8):14-15.

[Lin P. Interpretation of “urban black odor work guide”[J]. Con-struction Science and Technology, 2015(8):14-15.] DOI:10.16116/j.cnki.jskj.2015.18

[41]
付丽, 郭雯雯, 宋开山, 等. 2020年长春市黑臭水体遥感识别研究[J]. 湿地科学, 2020, 20(4):537-547.

[Fu L, Guo W W, Song K S, et al. Remote sensing identification of black and odorous water bodies in Changchun City in 2020[J]. Wetland Science, 2020, 20(4):537-547.] DOI:10.13248/j.cnki.wetlandsci.2022.04.010

[42]
李永新, 王威, 何妹, 等. 基于连续监测的城市内河返黑返臭机制初探: 以南宁市二坑溪为例[J]. 环境科学, 2020, 41(5):2257-2263.

[Li Y X, Wang W, He M, et al. Mechanism of black and odors return in urban inland rivers based on continuous monitoring: A case study of Erkeng Xi, Nanning City[J]. Environmental Science, 2020, 41(5):2257-2263.] DOI:10.13227/j.hjk.201909259

[43]
李玲玲, 李云梅, 吕恒, 等. 基于决策树的城市黑臭水体遥感分级[J]. 环境科学, 2020, 41(11):5060-5072.

[Li L L, Li Y M, Lv H, et al. Xu J F remote sensing classification of urban black and odorous water bodies based on decision tree[J]. Environmental Science, 2020, 41(11):5060-5072.] DOI:10.13227/j.hjk.202003266

[44]
Chen J, Xie P, Ma Z M, et al. A systematic study on spatial and seasonal patterns of eight taste and odor compounds with relation to various biotic and abiotic parameters in Gonghu Bay of Lake Taihu, China[J]. Science of the Total Environment, 2010, 409(2):314-325. DOI:10.1016/j.scitotenv.2010.10.010

[45]
谢飞, 吴俊锋. 城市黑臭河流成因及治理技术研究[J]. 污染防治技术, 2016, 29(1):1-3,15.

[Xie F, Wu J F. Cuses of malodorous black rivers in cities and the study on treatment technologies[J]. Pollution Control Techno-logy, 2016, 29(1):1-3,15.] DOI:CNKI:SUN:WRFZ.0.2016-01-002

[46]
孙淑雲, 古小治, 张启超, 等. 水草腐烂引发的黑臭水体应急处置技术研究[J]. 湖泊科学, 2016, 28(3):485-493.

[Sun S Y, Gu X Z, Zhang Q C, et al. Research on anemergency treatment technology for black-odor water caused bymacrophytes decaying[J]. Journal of Lake Sciences, 2016, 28(3):485-493.] DOI:10.3969/j.issn.1003-5427.2016.03.003

[47]
杨骥. 黑臭水体遥感监测技术及应用[M]. 北京: 中国水利水电出版社, 2018.

[Yang J. Remote sensing monitoring technology and application of black and odorous water body[M]. Beijing: China Water & Power Press, 2018.]

[48]
住房城乡建设部城市建设司. 城市黑臭水体整治工作指南[S]. 2015.

[Urban Construction Department of the Ministry of Housing and Urban Rural Development. Guidelines for the remediation of urban black and odorous water bodies[S]. 2015.]

[49]
曲萌. 黑臭水体净化菌剂的构建及其生物强化效能[D]. 沈阳: 辽宁大学, 2019.

[Qu M. Construction of black and odorous water purification bacteria and its biostrengthening efficacy[D]. Shenyang: Liaoning University, 2019.]

[50]
李晓洁. 沈阳市典型黑臭水体污染物特征研究与遥感识别[D]. 西安: 长安大学, 2018.

[Li X J. Study on pollutant characteristics and remote sensing identification of typical black and odorous water bodies in Shenyang[D]. Xi'an: Changan University, 2018.]

[51]
肖玉春. 人工水草与微生物菌剂组合处理黑臭水体的研究[D]. 重庆: 重庆大学, 2021.

[Xiao Y C. Study on treatment of black and odorous water by combination of artificial aquatic plants and microbial agents[D]. Chongqing: Chongqing University, 2021.]

Options
文章导航

/

〈 〉