世界各地大大小小的湖泊正日益受到各种形式的污染物的威胁。这威胁着地球上很大一部分的淡水供应，因为湖泊往往是最重要的淡水资源之一。然而，监测它们的健康状况（包括污染物），可能是复杂的。因为许多湖泊都很大，有些很偏远，而又有些地区湖泊太多，监测这些湖泊需要花费大量的时间和金钱。事实证明，使用卫星遥感技术是一种较好的方式，可以有效地监测世界各地的湖泊。
现有卫星上的仪器使各种监测成为可能。湖泊监测的一种形式是确定热污染，在那里，由于人类的活动，水温会上升到异常高的水平。利用Landsat 8上的传感器，特别是陆地成像仪 (OLI)和热红外扫描仪(TIRS)，湖泊热变化的监测技术已经得到了显著改善。OLI传感器含有近红外和短波红外，而TIRS覆盖两个热红外波段。结合这些波段，可以确定湖泊的相对温度和温度波动。因为在水面温度变化时，反射特性会发生变化，尤其是在浅水中。这些红外波段还可以感知热量在浅层表面的吸收情况[1]。此外，由于热电厂或核电站会使用当地水资源，因此河流和湖泊可能会发生热变化。水的冷却和随后的排放可能导致潜在的高温度变化，造成潜在的重大环境影响[2]。这使得Landsat成为了监测湖泊附近能源工厂污染的有效平台。
热污染监测是一个关键领域，另一个则是进入湖泊的各种污染物，如总悬浮物质（TSM）。这些测量数据可以表明，随着时间的推移，是否有更多的悬浮污染物进入湖泊。利用Landsat 8上的绿色、红色、近红外波段，可以测量湖泊表面的反射率，并确定水面上光学反射率和辐射的变化。这些测量的组合表明，悬浮物影响反射特性，这种变化使人们能够测量湖泊中不同程度的污染或悬浮物污染。但是，确定污染类型（例如有机污染或无机污染）更为复杂。特别是有机污染的区分仍然被认为是卫星监测的一个挑战[3]。
最近人们对云计算和卫星传感器数据的深度神经网络模型（包括来自多光谱卫星或仪器（如Landsat或MODIS和MERIS）的反射和辐射数据）的使用进行了回顾，这也有助于更好地改进不同形式的污染监测。通过使用深度学习来检测反射率变化趋势及其随时间变化的趋势，并以此来测量叶绿素，藻类和氧气的光谱比变化，使研究人员能够对污染水平可能达到关键或重要阶段的时间进行判断[4]。利用地面传感器来校准和检查基于卫星的结果以及卫星传感器数据的质量尤其有用，这在改善观测质量方面显示出巨大的潜力。通过结合卫星和地面数据，现在，研究人员可以对反映不同形式污染的传感器反射率等级进行分类。这可以更迅速地查明包括湖泊在内的不同水源面临的不同形式污染的威胁程度。然而，挑战依然存在，这其中包括监测进入湖泊的不同形式的营养物质，这些营养物质的特征不易被卫星传感器识别。
图1：底部的地图结合了来自Landsat卫星的可见光和红外数据，显示了白橡树河、新河和亚当斯溪中有色可溶性有机物(CDOM)的数量。（图片来源:NASA）
人们认为使用较旧的卫星系统（例如Landsat 8之前的卫星）监测湖泊更具难度和挑战性，这是由于光谱范围有限，对湖泊威胁的识别受到了限制。现在，尽管这仍是个难题，但人们可以更好地区分热污染和悬浮颗粒物污染，同时也可以测定氧气和一些可能的有机污染。将卫星数据与深度学习技术相结合可以改善结果，因为反射数据的微小变化更容易被分类为某些特定的污染物类型。改进的地面和卫星监测技术，包括合并这些数据，可能是最好的分析形式。这样就可以更容易地校准卫星传感器，以改进日益依赖卫星监测技术的未来工作。更深层次的水污染监测仍然是一个挑战，而未来的卫星观测系统将会更好地解决这一问题。
参考文献：
[1]For more about how Landsat 8 can be used to monitor water and water temperature, see: Yavari, S. M., & Qaderi, F. (2020).Determination of thermal pollution of water resources caused by Neka power plant through processing satellite imagery. Environment, Development and Sustainability, 22(3), 1953–1975. https://doi.org/10.1007/s10668-018-0272-2.
[2]For more on measuring thermal pollution from power plants, including nuclear and other thermal plants, see: Issakhov, A., &Zhandaulet, Y. (2020). Numerical Study of Technogenic Thermal Pollution Zones’Formations in the Water Environment from the Activities of the Power Plant.Environmental Modeling & Assessment, 25(2), 203–218. https://doi.org/10.1007/s10666-019-09668-8.
[3]For more on how different bands on Landsat 8 are used to measure suspended matter pollution,see: Zhu, W., Huang, L., Sun, N., Chen,J., & Pang, S. (2020). Landsat 8‐observed water quality and its coupled environmental factors for urban scenery lakes: A case study of West Lake. Water Environment Research,92(2), 255–265. https://doi.org/10.1002/wer.1240.
[4]For more on how satellite monitoring using deep learning and cloud computing could improve pollution detection, see: Sagan, V., Peterson, K. T., Maimaitijiang, M.,Sidike, P., Sloan, J., Greeling, B. A., Maalouf, S., & Adams, C. (2020).Monitoring inland water quality using remote sensing: potential and limitations of spectral indices, bio-optical simulations, machine learning, and cloud computing. Earth-Science Reviews, 205, 103187.
https://doi.org/10.1016/j.earscirev.2020.103187.
（来源：微信公众号：慧天地，微信号：geomaticser，英文原文来源：www.gislounge.com，中文编译整理：慧天地国际站一鸣）
