高光谱数据可以捕获内陆水体中不同浓度的化学需氧量(COD)引起的光谱变化, 因此研究光谱反射率与COD浓度之间的关系对于COD的遥感估算至关重要。 支持向量回归模型(SVR)具有适合小样本、 泛化能力好的特点, 基于SVR模型能够更加准确获得COD浓度和光谱数据之间的关系, 但仍然存在参数选取困难和易陷入局部极值的问题。 为了解决这个问题, 将模拟退火—粒子群算法(SA-PSO)引入到支持向量回归机的参数优化过程中, 提出了一种改进SVR(SA-PSO-SVR)的内陆水体COD高光谱遥感反演方法。 以潍河流域为研究区域, 通过野外测量获得了COD浓度和水表面光谱反射率。 首先根据光谱反射率对COD的响应来确定敏感因子, 把SA-PSO算法引入SVR的参数优化过程中建立了COD浓度与敏感因子之间的反演模型。 最后利用珠海一号高光谱数据验证模型的准确性, 进而获得了COD浓度的分布情况。 通过光谱分析, 可知该区域实测的水面光谱具有典型的二类水体特征, 光谱曲线形状呈现明显的双峰特征, 当浓度增加时, 反射峰具有向短波长方向移动而反射谷向长波长方向移动的趋势。 通过计算Pearson相关系数分析COD浓度和光谱之间的相关性, 结果表明最佳的反演因子为518 nm/940.4 nm, 623.6 nm/636.8 nm, 729.2 nm/890.9 nm和752.3 nm/857.9 nm的四个波段比值组合; 经过SA-PSO-SVR方法建立的COD估计模型的平均相对误差(MRE)和均方根误差(RMSE)分别为1.62%和2.99 mg·L^-1(R²=0.86), 反演结果优于其他模型(SVR、 BP神经网络和线性回归模型)。 将实测水面光谱建立的最优模型应用于高光谱卫星影像上, RMSE和MRE分别为4.47 mg·L^-1和11.87%。 获得的潍河-峡山水库区域的COD反演结果显示: COD的整体浓度介于17~42 mg·L^-1之间, 韩信坝、 峡山水库的东北部、 渠河注入潍河的交汇处等区域的COD浓度高于其他水域。 证实了SA-PSO-SVR是一种有效的COD高光谱反演方法, 可供潍河流域水资源管理提供参考。