由于上海市河湖水网密布，科学有效地监测河湖水质，有利于巩固河湖治理成果，为新形势下水资源的保护和管理服务。研究目的是实现卫星遥感技术在城市水体水质监测中的有效应用。基于Sentinel-2多光谱影像，采用机器学习技术建立了城市河流水质参数反演模型，对2019~2021年上海市103条河流的溶解氧（Dissolved Oxygen, DO）、高锰酸盐指数（Permanganate index, CODMn）、氨氮（Ammonia Nitrogen, NH3-N）和总磷（Total Phosphorus, TP） 4种水质参数进行了遥感反演。分析了上海市主要河流水质参数的时空变化特征，并对上海市水环境进行了评价。结果表明，DO、CODMn和TP三个水质指标的反演精度优于80%，NH3-N的反演精度优于70%；4种水质参数所属水体类别均优于V类；第一、第四季度水质优于第二、第三季度。

目前, 三维荧光技术在应急性饮用水污染事件检测中的应用越来越广泛, 但其仍存在易受水环境波动影响、 低浓度污染事件检出率较低等不足。 因此针对在线检测需求, 提出了一种基于时间序列双阈值的三维荧光饮用水异常事件检测方法。 该方法采用主成分分析法提取检测样本的三维荧光光谱主元特征值, 进行线性自回归（AR）模型训练并对未来时段水质样本主元特征值进行预测, 通过与实测样本主元特征值作差得到特征值差值, 同时结合实测特征值的变化率, 设置特征值差值-特征值变化率双阈值, 最终确定污染事件的时间起始点与结束点, 从而确定整个污染事件。 研究通过模拟高浓度污染事件、 低浓度污染事件、 供水水质波动等场景对所提方法进行了验证。 实验结果表明, 该方法不仅保持了高浓度污染事件检测的准确性, 在检测低浓度污染、 高干扰环境下的低浓度污染时, 该方法相较于常规判别方法, 检测结果准确率分别提高了9.4%和20.7%。

紫外-可见吸收光谱法测量水质化学需氧量(COD), 本质是对大量水质光谱数据建模, 以此模型为基础引入待测的水质光谱数据进行预测的过程。 而实测的邻苯二甲酸氢钾COD标准溶液在200～300 nm存在两个特征吸收峰, 标准溶液在不同浓度下的峰值也不同, 利用此特性对该波段进行特征波长的选择, 用其表征光谱信息, 降低数据冗余度的同时提高了预测精度。 针对实测水质光谱信号容易受到仪器本身和外界干扰, 光谱数据存在大量非平稳噪声, 且特征吸收峰及其临近信号频率较高, 常规去噪算法直接舍弃高频信号以及无法准确判断信噪分量界限, 导致有效信号缺失这一实际问题。 提出了一种基于完全自适应噪声集合经验模态分解(CEEMDAN)和双树复小波变换(DT-CWT)的联合去噪算法。 该联合算法利用CEEMDAN将信号分解为本征模态函数(IMF), 并通过归一化自相关函数和互相关系数进行线性相关性分析, 得到各阶IMF分量之间的自相关性以及IMF分量与原始信号的互相关系数, 以确定高频含噪分量与低频信号分量的界限; 进而应用DT-CWT阈值去噪算法对含噪高频IMF分量进行处理, 将DT-CWT处理之后的IMF高频分量与CEEMDAN分解得到的IMF低频分量进行信号重构, 获得最终去噪后的水质光谱信号。 实验结果表明: 基于CEEMDAN联合双树复小波变换的去噪算法适用于紫外-可见光谱水质检测的数据处理。 对于化学需氧量COD标液为100 mg·L-1的邻苯二甲酸氢钾溶液, 将实测的紫外-可见光谱数据应用该算法去噪后的SNR=24.201 5 dB, RMSE=0.024 0, NCC=0.999 4, PSNR=37.573 6, 不仅去噪效果显著优于CEEMDAN和双树复小波阈值算法, 还有效地保留了原始COD标液的吸收特征峰, 遏制了平移敏感性现象, 提高了重构信号的平滑度, 改善了重构信号质量。 为紫外-可见光谱法检测水质COD提供了一种新的数据预处理方法。

水是维系生命与健康的基本需求, 人类的生产、 生活都离不开水。 水体中氮磷的超标导致水中营养元素过剩从而水体富营养化, 进而水质恶化甚至造成大范围的影响。 高光谱遥感在内陆水质监测领域的应用越来越广泛, 研究以此为基础, 为减少室外水体特异性因素影响, 通过实验室模拟外界条件搭建实验室实验系统, 并根据国家排放标准分别配制浓度范围在0～2.5 mg·L-1 的40个不同浓度梯度的磷酸钠标准溶液和浓度范围在0～20 mg·L-1 的40个不同浓度梯度氯化铵标准溶液。 获取所有标准溶液的高光谱图像, 对水质参数总磷、 总氮的光谱响应进行了分析, 找出其对应的敏感波段分别在420、 720 nm附近和410 nm附近。 利用主成分分析(PCA)建立高光谱水质反演数据集, 对高光谱图像作辐射定标、 Savitzky-Golay滤波(SG滤波)预处理并利用BP人工神经网络分别构建实验室高光谱总磷、 总氮反演模型, 构建的实验室高光谱总磷反演模型的决定系数为0.980 2, 实验室高光谱总氮反演模型的决定系数为0.860 2。 以江苏宜兴市内某河道为研究对象, 将该模型应用到室外无人机搭载高光谱成像系统获取到的室外高光谱图像数据, 分散选取五个点分别计算结果, 得到总磷、 总氮浓度均值的反演精度分别为95.00%和93.52%。 利用传统方法直接在待测河道观测点取水构建的室外高光谱水质反演模型反演相同五个点得到的总磷、 总氮浓度均值的反演精度分别为86.87%和86.48%。 两组反演结果对比, 发现本研究构建的实验室高光谱水质反演模型得到的光谱反演结果中90%的反演精度略高于室外水质反演模型的反演精度, 证实该研究可对待测河道内总磷、 总氮的含量进行有效预测, 也可为水体总磷、 总氮高光谱遥感反演提供一定技术支持。

水质污染源的及时精确定位和精细化的污染防治措施是打赢水污染防治攻坚战的迫切需求, 为解决地表水实际水样高锰酸盐指数准确分类的实际问题, 以光谱降噪和光谱有效信息提取为切入点, 根据紫外-可见光谱数据的特点, 提出使用一维卷积神经网络处理紫外-可见光谱数据。 为验证检测一维卷积神经网络对地表水光谱信号分类的可行性, 选取长江的某段流域作为取样点。 采集当天的长江上游水、 某河水、 嘉陵江水, 生活污水、 500 mg·L-1邻苯二甲酸氢钾溶液来模拟污染水源。 将几种水样按不同的配比来模拟当天该流域的水污染变化情况。 采集现有的单一水样及混合配比水样的光谱数据, 根据各类水样的特征光谱信息进行区分, 实现地表水高锰酸盐指数的预测分类, 快速确定异常水样的污染来源, 通过仿真实验, 优化模型参数并完成优化训练。 与K最邻近法、 支持向量机等传统分类方法相比, 该算法在光谱预处理复杂度和定性分析准确度方面有较大优势, 在没有复杂的数据预处理前提下, 将获取的350条光谱数据建立水质分类模型, 随机选择其中245条数据作为训练集, 另105条数据作为测试集, 模型的混淆矩阵分类精度达99.0%。 不仅简化了整个光谱分析流程, 而且能保留更多的有效光谱信息, 减小人为预处理对紫外-可见光谱数据的影响, 实现地表水高锰酸盐指数的准确分类。 实验结果表明该方法可对不同水体水样进行准确分类, 快速定位污染源, 为无法激发荧光的污染物溯源提供了科学依据, 为与三维荧光技术辅助配合快速精确定位地表水污染源提供了可能, 同时表明了深度学习在紫外-可见光谱法测量实际水样领域有着巨大的应用潜力和研究价值。

水质荧光指纹技术是近年来新兴的水体污染检测技术, 它可以展现水体有机物组成信息, 弥补传统常规水质参数的不足。 长江入海口段沿江地带是我国的产业密集带, 区域内城市化程度高, 工业发达, 在此区域内, 水环境质量变化会直接影响经济发展和民众身体健康, 因此, 研究长江入海口段的水质变化具有重要的意义。 长江入海口段的pH、 电导率、 NH3-N、 CODMn、 TP、 TN和TOC等指标变化趋势不尽相同, 但是从电导率、 TN、 CODMn、 TOC这四个指标, 反映出沿着长江入海口段从上游至下游的过程中具有一定的污染积累, 尤其在下游的CJ-11和CJ-12采样点, 可能受到了较大的污染源影响。 从常规指标和TOC的结果并不能直接体现污染信息, 只能反映污染总量从上游至下游的增加。 长江入海口段水质荧光指纹主要包含三个荧光峰, 记作峰A、 峰B、 峰C, 它们的［激发波长, 发射波长］分别为［275, 335］ nm, ［230, 345］ nm 和［250, 450］ nm, 其中峰A和峰B荧光强度的变化趋势同步, 相关性较高, 相关系数为0.994 8, 表明两峰很可能来自相同污染源。 通过水质荧光指纹比对, 在长江入海口段CJ-11和CJ-12两点的水质荧光指纹与支流HPJ-1的水质荧光指纹相似度分别达到86%和88%, 而与CJ-10的相似度＜60%。 由此可见, 长江入海口段下游水质荧光指纹（CJ-11和CJ-12）发生变化, 可能是由支流HPJ汇入长江入海口段造成的。 支流HPJ的水质荧光指纹信号与印染行业水质荧光指纹数据库相似度约90%, 表明支流HPJ的水质荧光指纹信号可能与当地的印染废水排放有关。 基于长江入海口段峰A和峰B的强度与NH3-N浓度呈现良好的线性正相关性（相关系数为0.885 5）, 水质荧光指纹具有作为指示长江入海口段NH3-N浓度的潜力。 水质荧光指纹技术可以展现水体有机物质组成和来源, 在污染示踪以及水质状况评价方面具有重要的应用价值。

悬浮泥沙浓度是水体监测中极为重要的指标。本论文基于神经网络具有弥补传统经验算法固有误差的潜力，设计并开发了基于人工神经网络的神经网络校正器来对经验反演结果进行二次校正。为了防止在小数据集的情况下出现过拟合问题，采用了特殊设计的正则化项。基于高分五号高光谱遥感数据以及在长江口和沿海水域同时收集的悬浮泥沙浓度实地测量结果，研究了4种基线经验模型，并评估了使用神经网络校正器后的精度。在每个基线模型上都测试了神经网络校正器模型的两个典型应用，包括基线模型校正和时间校正。在这两种应用中，结果均表明，经校正的D'Sa模型具有最高的准确性。通过使用基线模型校正，均方根误差从0.1495 g/L降低至0.1436 g/L，平均绝对百分比误差从0.7821降低至0.7580，决定系数从0.6805升高至0.6926。实施时间校正后，平均绝对百分比误差从0.8657降低至0.7817，决定系数从0.6688升高至0.7155。最后，基于神经网络校正器校正后精度最高的模型处理了整幅高分五号高光谱图像。本论文结果为各种经验反演算法提供了一种通用的二次校正方法，以最大程度地减少基线模型的固有误差，并且保证了反演精度。