MERIS遥感图像的太湖叶绿素浓度反演研究
太湖水体叶绿素浓度反演模型适宜性分析
太湖水体叶绿素浓度反演模型适宜性分析王珊珊;李云梅;王永波;王帅;杜成功【期刊名称】《湖泊科学》【年(卷),期】2015(000)001【摘要】In order to determine the most suitable retrieval model for estimating chlorophyll concentration in Lake Taihu and provide a reference for the application of the satellite data, the difference model, the ratio model, the three-band model and APPEL model were built to estimate chlorophyll concentration based on the data of MODIS , MERIS, GOCI and HJ-1 CCD sensor.The dataset in-cluded the measured water quality parameters and the synchronous spectra data in November 2007, April 2009 and August 2011. The results of the analysis showed that the decision coefficient of the APPEL model was between 0.7308 and 0.8107 for the differ-ent satellite data, the relative error was between 15% and 24%, and the root mean square error was between 21% and 32%;The decision coefficient of the three-band model was between 0.6014 and 0.7610, the relative error was between 28% and 36%, and the root mean square error was between 39% and 46%; The decision coefficient of different models was between 0.4954 and 0.7244, the relative error was between 39% and 53%, and the root mean square error was between 51% and 72%;The decision coefficient of the ratio model was between 0.4918 and 0.7098, the relative error was between 41% and 55%, and the root mean square errorwas between 56% and 75%.To sum up, the APPEL model showed a strong stability and was suitable for the chloro-phyll concentration retrieval of Lake Taihu for different sensor data.In addition, different band widths and band positions had dif-ferent influences on the retrieval model for estimating chlorophyll concentration .When the band position was close to the character-istic wavelength of chlorophyll, narrow band width was beneficial for the accuracy of the model;while when the band position was far away from the position of the characteristic wavelength, the band width should be increased reasonably.%为确定适合太湖水体叶绿素的反演算法，为同类卫星数据的建模和应用提供参考，本文根据太湖2007年11月、2009年4月和2011年8月实测水质参数以及同步光谱数据，结合水色遥感传感器MODIS、MERIS、GOCI及我国自主发射的HJ-1号卫星CCD传感器波段参数，基于差值模型、比值模型、三波段模型及APPEL模型，分别建立太湖水体叶绿素浓度反演模型，并分析模型的适宜性．结果显示，基于不同传感器数据APPEL模型的决定系数为0．7308～0．8107，模型相对误差为15％～24％，均方根误差为21％～32％；三波段模型基于不同传感器数据拟合的决定系数为0．6014～0．7610，相对误差为28％～36％，相对均方根误差为39％～46％；差值模型决定系数为0．4954～0．7244，相对误差为39％～53％，相对均方根误差为51％～72％；比值模型决定系数为0．4918～0．7098，相对误差为41％～55％，相对均方根误差为56％～75％．相比较而言，APPEL模型的稳定性较强，适合于不同传感器数据的太湖水体叶绿素浓度的反演．此外，相应不同传感器波段位置、波段宽度对模型反演的精度和稳定性的影响也不同，当波段位置接近叶绿素特征波长时，较窄的波宽有利于模型精度的提高，波段位置和叶绿素浓度特征波长相差较大时，合理增加波谱范围有利于叶绿素特征信息的获取．【总页数】13页(P150-162)【作者】王珊珊;李云梅;王永波;王帅;杜成功【作者单位】江苏省地理信息资源开发与利用协同创新中心，南京210023;江苏省地理信息资源开发与利用协同创新中心，南京210023;江苏省地理信息资源开发与利用协同创新中心，南京210023;江苏省地理信息资源开发与利用协同创新中心，南京210023;江苏省地理信息资源开发与利用协同创新中心，南京210023【正文语种】中文【相关文献】1.基于GOCI影像分类的太湖水体叶绿素a浓度日变化分析 [J], 包颖;田庆久;陈旻;吕春光2.基于季节分异的太湖叶绿素浓度反演模型研究 [J], 乐成峰;李云梅;孙德勇;王海君3.MODIS巢湖水体叶绿素a浓度反演模型 [J], 荀尚培;翟武全;范伟4.基于环境一号卫星影像的内陆水体叶绿素α浓度遥感定量反演模型研究 [J], 潘梅娥;杨昆;洪亮5.南四湖水体叶绿素a浓度实用化高光谱反演模型 [J], 曹引;冶运涛;赵红莉;石玉波;蒋云钟因版权原因，仅展示原文概要，查看原文内容请购买。
基于TM数据的太湖叶绿素a浓度定量遥感反演方法研究
Quantitative Remote Sensing Inversion Methods of Chlorophyll-a Concentration in Taihu Lake Based on
TM Data
作者： 杨一鹏[1] 王桥[2] 肖青[3] 闻建光[3]
作者机构： [1]中国环境监测总站,北京100029 [2]南京师范大学地理信息科学江苏省重点
实验室,江苏南京210097 [3]中国科学院遥感应用研究所,北京100101
出版物刊名： 地理与地理信息科学
页码： 5-8页
主题词： TM 叶绿素a 定量遥感反演 太湖
摘要：探讨利用常规卫星遥感数据Landsat／TM定量反演太湖叶绿素a（Chl—a）浓度的
方法。
在对Landsat／TM影像进行几何校正、辐射定标、大气校正等预处理的基础上，选择适于太湖Chl—a浓度定量反演的最佳波段或波段组合，采用半经验回归模型和混合光谱分解模型
分别建立太湖Chl-a浓度定量反演模型，并对不同模型及反演结果进行对比分析。
基于MERIS遥感图像的太湖叶绿素浓度反演
基于MERIS遥感图像的太湖叶绿素浓度反演作者：王根深王得玉来源：《安徽农业科学》2017年第30期摘要以太湖为试验区，基于MERIS遥感图像数据以及同步实测的太湖水质参数数据，应用归一化叶绿素指数算法（NDCI），对太湖水体叶绿素a浓度进行反演，得到了太湖区域的水体叶绿素a反演结果，并对反演结果进行了验证和分析。
结果表明：归一化叶绿素指数反演算法能够精确地反演太湖区域的叶绿素a浓度值，模型的决定系数（R2）为0.881 2，反演精度优于传统经验统计模型，可为今后更精确地反演内陆水体的叶绿素a浓度提供参考依据。
关键词MERIS遥感图像；叶绿素a；归一化叶绿素指数反演算法；太湖中图分类号X87文献标识码A文章编号0517-6611（2017）30-0071-04AbstractA novel index，normalized difference chlorophyll index（NDCI） was introduced in this study to invert the chlorophyll a（Chl.a） concentration form MERIS remote sensing image and the data of water quality parameters of Taihu Lake，and the inversion results were verified and analyzed.The inversion results showed that normalized Difference chlorophyll Index could accurately reflect the chlorophyll a concentration in the Taihu Lake， the coefficient of decision was 0.881 2，which was better than traditional empirical model，and provided a reference for the more accurate inversion of chlorophyll a concentration in inland water.Key wordsMERIS remote sensing image；Chlorophylla；NDCI；Taihu Lake内陆水体，特别是位于经济发达、人口密集地区的湖泊和河口，一般受到人类活动影响较大，湖泊水污染和水体富营养程度日益加重。
太湖叶绿素a浓度遥感空间尺度关系研究
太湖叶绿素a浓度遥感空间尺度关系研究
太湖叶绿素a浓度遥感空间尺度关系研究
包颖，田庆久
（南京大学国际地球系统科学研究所，江苏南京 210093）
摘要：太湖水体叶绿素a浓度是富营养化重要指标之一，利用高时相高空间分辨率遥感影像研究太湖叶绿素a浓度空间分布规律是太湖蓝藻监测预警的有效途径。
但由于粗分辨率遥感空间信息（如MODIS）异质性的存在，叶绿素a浓度遥感估算精度降低，而中高空间分辨率遥感信息（如TM/ETM+）由于时相分辨率偏低，也难以满足应用需求。
因此，本文在利用Hyperion 30m与MODIS 250m估算出太湖水体叶绿素浓度a（Chla）的基础上，在湖心（低浓度区）和岸边（高浓度区）分别建立两者之间的线性相关关系，并将该关系用于MODIS估算结果的修正，为利用不同尺度遥感数据进行水体叶绿素浓度精算提供技术方法途径。
关键词：太湖；空间相关关系；叶绿素a；空间异质性。
MODIS卫星遥感监测太湖蓝藻的初步研究
MODIS卫星遥感监测太湖蓝藻的初步研究沙慧敏;李小恕;杨文波;李继龙【期刊名称】《海洋湖沼通报》【年(卷),期】2009()3【摘要】依据2007年1～6月MODIS卫星遥感影像反演得到的太湖MODIS卫星表层水温、表层叶绿素浓度分布图,以及真彩色(1,4,3波段)合成图像,监测分析了太湖蓝藻的分布和变化情况。
水温、表层叶绿素浓度分布图显示,1～6月,太湖表层水温和叶绿素浓度的分布具有明显的区域性和季节性变化特征,且可以很好的显现藻类的迁移与堆积状况,其分布及变化趋势与实测的太湖蓝藻爆发的强度、地点、分布范围基本一致。
MODIS真彩色合成图像直观地反映了湖中藻类的宏观信息,其趋势与叶绿素a浓度的分布极其一致。
结果表明,利用MODIS遥感数据探测太湖蓝藻水华的分布状况是可行的,MODIS可用于监测内陆湖泊藻类水华的污染情况。
【总页数】8页(P9-16)【关键词】MODIS;蓝藻水华;表层水温;叶绿素a浓度【作者】沙慧敏;李小恕;杨文波;李继龙【作者单位】中国水产科学研究院资源与环境研究中心,遥感与地理信息系统重点试验室,北京100039;上海水产大学海洋学院,上海200090【正文语种】中文【中图分类】P407.8;Q949.22【相关文献】1.环境一号卫星CCD数据在太湖蓝藻水华遥感监测中的应用 [J], 金焰;张咏;牛志春;姜晟2.基于欧洲航天局“哨兵-2A”卫星的太湖蓝藻遥感监测 [J], 李旭文;侍昊;张悦;牛志春;王甜甜;丁铭;蔡琨3.太湖蓝藻水华的MODIS卫星监测 [J], 周立国;冯学智;王春红;王得玉;徐晓雄4.太湖秋冬季蓝藻水华MODIS卫星遥感监测 [J], 孔维娟;马荣华;段洪涛;张寿选5.卫星遥感监测太湖水域蓝藻暴发 [J], 黄家柱;赵锐因版权原因，仅展示原文概要，查看原文内容请购买。
基于高光谱遥感反射比的太湖水体叶绿素a含量估算模型
基于高光谱遥感反射比的太湖水体叶绿素a含量估算模型焦红波;查勇;李云梅;黄家柱;韦玉春【期刊名称】《遥感学报》【年(卷),期】2006(010)002【摘要】旨在寻找叶绿素a的高光谱遥感敏感波段并建立其定量估算模型.通过对太湖水体的连续监测,获得了从2004年6月到8月3个月的太湖水体高光谱数据和水质化学分析数据.利用实测的高光谱数据分析计算太湖水体的离水辐亮度和遥感反射比;然后,通过相关分析寻找反演叶绿素a浓度的高光谱敏感波段,进而建立反演太湖水体叶绿素a浓度的高光谱遥感定量估算模型,并用相关数据对模型进行精度分析.研究发现,水体的遥感反射比光谱在719nm和725nm存在两个峰,其中719nm处的峰更明显且稳定.通过模型的对比分析,发现用这两个峰值处的遥感反射比参与建模可以提高叶绿素a的估算精度;并且认为由反射比比值变量R719/R670所建立的线性模型对叶绿素a浓度的估算精度最理想.【总页数】7页(P242-248)【作者】焦红波;查勇;李云梅;黄家柱;韦玉春【作者单位】南京师范大学,地理科学学院,江苏,南京,210097;南京师范大学,地理科学学院,江苏,南京,210097;南京师范大学,地理科学学院,江苏,南京,210097;南京师范大学,地理科学学院,江苏,南京,210097;南京师范大学,地理科学学院,江苏,南京,210097【正文语种】中文【中图分类】TP79【相关文献】1.沿海滩涂棉花叶片叶绿素含量高光谱遥感估算模型研究 [J], 卢霞2.花生叶绿素含量的高光谱遥感估算模型研究 [J], 颜丙囤;梁守真;王猛;侯学会;陈振;隋学艳3.基于高光谱遥感特征参数的樟树幼林叶绿素a含量估算模型 [J], 林辉;刘秀英4.森林叶绿素含量的高光谱遥感估算模型的建立 [J], 杨曦光;范文义;于颖5.湿地小叶章叶绿素含量的高光谱遥感估算模型 [J], 李凤秀;张柏;刘殿伟;王宗明;宋开山;靳华安;刘焕军因版权原因，仅展示原文概要，查看原文内容请购买。
遥感技术在湖泊叶绿素a监测中的应用研究——以太湖为例
遥感技术在湖泊叶绿素a监测中的应用研究——以太湖为例刘建萍;张玉超;钱新;张宁红;郁建桥【期刊名称】《环境监控与预警》【年(卷),期】2009(001)002【摘要】水质遥感技术在湖泊水质监测领域内的应用具有十分积极的意义.在总结现有水质遥感反演方法的基础上,选取了遥感指数法和神经网络法两种理论完全不同的反演方法,构建太湖叶绿素a与MODIS影像波段间的函数关系,并从反演能力和反演精度两个角度对上述方法进行了比较研究.结果表明,神经网络模型的非线性特征能够敏感地把握住叶绿素a浓度变化在反射波谱信息上的微小响应,较为成功地反演出叶绿素a与反射光谱信息间的非线性关系.神经网络模型的反演能力和反演精度均优于遥感指数方法,具有较好的应用前景.【总页数】4页(P33-36)【作者】刘建萍;张玉超;钱新;张宁红;郁建桥【作者单位】污染控制与资源化研究国家重点实验室,南京大学环境学院,江苏,南京,210093;污染控制与资源化研究国家重点实验室,南京大学环境学院,江苏,南京,210093;污染控制与资源化研究国家重点实验室,南京大学环境学院,江苏,南京,210093;江苏省环境监测中心,江苏,南京,210036;江苏省环境监测中心,江苏,南京,210036【正文语种】中文【中图分类】X87【相关文献】1.遥感技术在西部干旱区湖泊水质环境监测中的应用 [J], 汪溪远;师庆东;努尔巴衣·阿布都沙力克;潘晓玲2.遥感技术在湖泊水质监测中的应用 [J], 喻欢;林波3.我国湖泊生态环境变化监测网络的发展构想—以太湖生态站为例 [J], 许秋瑾;秦伯强;等4.基于遥感技术的湖泊水域面积监测\r——以杞麓湖为例 [J], 吴阳;吴雯雯;田洪春;刘春旸;曹冰冰5.遥感技术在矿山环境动态监测中的应用研究——以陇南邓家山地区为例 [J], 刘欢;朱谷昌;张建国;郑纬;胡杏花;李智峰因版权原因，仅展示原文概要，查看原文内容请购买。
基于ENVI即环境小卫星影像太湖区叶绿素反演
地理与生物信息学院20 / 20 学年第学期实验报告课程名称：遥感实习实验名称：太湖区叶绿素反演班级学号学生姓名指导教师日期：20 年月一、实验题目：基于遥感的自然环境监测二、实验内容：专题应用 10 米的 spot 和 TM 融合影像，提取相关生态因子，应用较成熟的自然生态环境评价模型完成整个自然生态环境评价流程。
专题涉及植被覆盖度计算、地形因子提取等内容；所用功能模块，除了使用 ENVI 主模块功能外；还需要用到大气校正扩展模块中的快速大气校正工具（QUAC）。
三、实验要求：应用pot 和 TM 融合影像，提取相关生态因子，应用较成熟的自然生态环境评价模型完成整个自然生态环境评价流程。
四、实验过程：1.将安装环境小卫星数据读取和定标补丁： ENVI_HJ1A1B_Tools.sav 文件放在home\ITT\IDL\IDL80\products\envi48\save_add 目录下。
数据读取和定标：主菜单->File->Open External File->HJ-1A/1B Tools2.以TM 作为基准影像对环境小卫星图像进行图像配准。
添加控制点生成几何校正后的文件。
将BSQ文件转换为BIL文件，准备进行大气校正。
3.利用FLAASH进行大气校正，利用templete修改参数信息。
点击apply进行校正。
4.太湖区剪裁，利用基本工具中的数据重采样进行剪裁。
5.建立掩膜文件。
先打开矢量文件，然后BUILDMASK，建立好的掩膜保存并应用到剪切后的太湖区。
6.叶绿素反演本环节最重要的是地面实测点与星上点的反演模型建立，涉及到定量遥感的知识。
在前人研究了大量的算法和模型的基础上，本专题选择经验模型之一波段值模型（BNIR/BRED）来进行叶绿素的反演。
波段比值模型：Chla=a*（BNIR/BRED）+b首先运用bandmath，计算float(b4)/b3生成单波段的文件，再添加反演点。
应用MODIS监测太湖水体叶绿素a浓度季节变化研究
应用M ODIS 监测太湖水体叶绿素a浓度季节变化研究王世新,焦云清,周艺,祝令亚,阎福礼(中国科学院遥感应用研究所,北京10010)摘要:以太湖作为实验区,利用波段比值、差值和组合算法讨论了非成像及成像高光谱数据和叶绿素浓度相关性差异和敏感波段分布,在此基础上将不同时段的M ODIS 影像,不同空间分辨率的波段反射率与叶绿素a 浓度实测值进行相关分析,通过回归拟合建立并验证了不同季节的叶绿素a 浓度遥感监测模型,并应用模型计算出太湖水体叶绿素a 浓度的分布情况,对太湖水质变化进行了评价。
研究结果表明,M ODIS 影像在太湖的水质动态变化监测中是可用的。
关键词:M ODIS 影像;叶绿素a;季节变化;模型;太湖中图分类号:T P79 文献标识码:A 文章编号:1000-3177(2008)95-0047-07收稿日期:2007-04-25修订日期:2007-05-23基金项目:国家自然科学基金(40671141)、国家863项目(2006AA 06Z419)共同资助作者简介:王世新(1965~),男,山东人,研究员,主要进行环境遥感和灾害遥感监测研究。
太湖位于长江三角洲地区。
近年来太湖的富营养化问题,已经严重影响了太湖的环境质量。
作为富营养化的关键指标,用来表征藻类爆发程度的叶绿素a 浓度是量化水质状况的重要参数之一。
因此,快速、准确、高频率地监测水环境质量,预警藻类爆发,迫切需要采用各种高新技术,尤其是遥感技术来检测和监测水体叶绿素浓度的时空变化。
对于叶绿素浓度的定量遥感反演,国内外众多学者开展了大量工作,并建立了不同的光学遥感模型,如Thiem ann S.等利用实测光谱和IRS -1c 卫星数据对M ecklenbur g 湖的叶绿素浓度进行了探测[1];P.A.Brivio 等应用TM 影像对Garda 湖的叶绿素浓度变化进行了评价[2];疏小舟等应用OM IS -II 航空成像光谱对太湖叶绿素a 的浓度分布进行了估算[3]。
基于MERIS遥感图像的太湖叶绿素浓度反演
基于MERIS遥感图像的太湖叶绿素浓度反演王根深;王得玉【摘要】以太湖为试验区,基于MERIS遥感图像数据以及同步实测的太湖水质参数数据,应用归一化叶绿素指数算法(NDCI),对太湖水体叶绿素a浓度进行反演,得到了太湖区域的水体叶绿素a反演结果,并对反演结果进行了验证和分析.结果表明:归一化叶绿素指数反演算法能够精确地反演太湖区域的叶绿素a浓度值,模型的决定系数(R2)为0.8812,反演精度优于传统经验统计模型,可为今后更精确地反演内陆水体的叶绿素a浓度提供参考依据.%A novel index,normalized difference chlorophyll index(NDCI) was introduced in this study to invert the chlorophyll a(Chl.a) con-centration form MERIS remote sensing image and the data of water quality parameters of Taihu Lake,and the inversion results were verified and analyzed.The inversion results showed that normalized Difference chlorophyll Index could accurately reflect the chlorophyll a concentration in the Taihu Lake, the coefficient of decision was 0.8812, which was better than traditional empirical model,and provided a reference for the more ac-curate inversion of chlorophyll a concentration in inland water.【期刊名称】《安徽农业科学》【年(卷),期】2017(045)030【总页数】4页(P71-74)【关键词】MERIS遥感图像;叶绿素a;归一化叶绿素指数反演算法;太湖【作者】王根深;王得玉【作者单位】南京邮电大学通信与信息工程学院,江苏南京210003;南京邮电大学通信与信息工程学院,江苏南京210003【正文语种】中文【中图分类】X87内陆水体，特别是位于经济发达、人口密集地区的湖泊和河口，一般受到人类活动影响较大，湖泊水污染和水体富营养程度日益加重。
基于带模型的叶绿素a浓度反演精度评估
基于带模型的叶绿素a浓度反演精度评估陈军;陆凯;王保军【摘要】为了评估遥感反演叶绿素a浓度的精度,以2004年8月19日太湖38个水质样本数据和同步Hyperion卫星遥感影像数据为基础,借鉴四波段半分析算法,结合空间数据不确定性原理,构建了基于四波段半分析算法的“带模型”.通过研究与探讨可知,当叶绿素a浓度为10～20 μg/L和50～100 μg/L时,叶绿素a浓度的反演误差较小,大约为±20％；当叶绿素a浓度在20～50 μg/L时,叶绿素a浓度的反演误差较大,大约为±40％,局部区段的误差高达±60％左右.与传统的误差表示方法相比较,“带模型”能更详细且能准确地给出太湖水体叶绿素a浓度反演结果的误差信息.%With the spectral experiment and the simultaneous observation results of Hyperion satellite on 19 August, 2004 as the basic dataset, the authors used the uncertainty principle of spatial data to develop a " bands model" for chlorophyll-a concentration retrieval algorithm of the subsection mapping retrieval model. It is thus found that in the ranges of 10 -20 μg/L and 50 - 100 μg/L, the retrieval error of chlorophy ll-a concentration is relatively low, (approximately ±20% ) , whereas in the range of 20 -50 μg/L, the retrieval error of chlorophyll-a concentration is relatively high, ( approximately ± 40% ). A comparison with the traditional methods for error describing shows that the "bands model" could include more detailed and accurate information of data quality for remote sensing products.【期刊名称】《国土资源遥感》【年(卷),期】2011(000)004【总页数】4页(P83-86)【关键词】遥感;带模型;叶绿素a;太湖【作者】陈军;陆凯;王保军【作者单位】国土资源部海洋油气资源与环境地质重点实验室,青岛266071;青岛海洋地质研究所,青岛266071;国土资源部海洋油气资源与环境地质重点实验室,青岛266071;青岛海洋地质研究所,青岛266071;国土资源部海洋油气资源与环境地质重点实验室,青岛266071;青岛海洋地质研究所,青岛266071【正文语种】中文【中图分类】TP79;X832水色遥感产品(主要指叶绿素a浓度、悬浮泥沙浓度和可溶有机物质浓度遥感观测信息)的精度评估及表达是水色遥感研究的难点和热点之一。
%8C营养化的太湖水体叶绿素a浓度模型反演
与遥感数据之间的相关性 ; 李素菊等在巢湖流域 利用波段比值及 690nm 处遥感反射率的一阶微分 值 , 分别建立两个叶绿素 a 浓度反演模型 , 获得 了较高的反演精度 [ 5 ] ; 段洪涛等在查干湖利用归 一化荧光峰高度法反演叶绿素 a含量精度较高 [ 6 ] 。 然而 , 对于浑浊的富营养化水体 , 高浓度的悬浮 物和黄质 , 使背景光学特性发生显著变化 , 水体 的反射光谱更加复杂 , 蓝绿波段所反映的叶绿素 a 信息在很大程度上被减弱 , 使得叶绿素 a的诊断 波段向长波方向发生移动 [ 7 ] , 同时 , 大量藻体覆 盖的湖水还会呈现出植被特性 , 鉴此 , 有学者提 出通过优化植被遥感反演叶绿素 a 浓度的三波段 模型 , 建立适合水体叶绿素 a 的反演模型 。结果 表明 , 三波段模型在叶绿素 a 含量范围为 414 ～ 3 078mg /m3 的富营养浑浊二类水体的反演中有较 高的反演精度 [ 8 ] 。以上研究多是针对特定 水体 、 特定时期建立的叶绿素浓度反演模型 。对于太湖 水体而言 , 这三种反演算法对太湖的适用性差异 分析 , 目前还尚未见报道 。
摘要 : 半经验模型反演叶绿素 a浓度是目前遥感反演水体叶绿素 a浓度的主要方法 。但是 , 大量研究结果表明 , 太湖水体浑浊 , 富营养化严重 , 各种半经验模型的反演精度和模型适用性有较大差异 。因此 , 研究一种既满足一 定精度要求 , 又具有时间普适性的叶绿素 a浓度反演算法 , 对提高模型适用性 , 促进遥感的反演应用具有重要意 义 。本研究通过 2005年 6 - 10月地面实测数据 , 建立太湖叶绿素 a浓度一阶微分反演模型 、波段比值反演模型 和三波段反演模型 , 对比各模型反演效果 , 认为波段比值模型与三波段模型具有较好的反演效果 。运用 2006年 11月和 2007年 11月实测数据对这三种模型加以检验 , 结果表明 , 三波段模型反演高富营养化的太湖水体 , 不仅 精度高 , 平均误差仅为实测浓度差的 813% , 而且适用性较强 , 不同年份数据的检验结果证明平均误差均低于实 测浓度差的 20%。因此 , 三波段模型是这三种反演模型中效果最好的一类模型 。 关键词 : 叶绿素浓度 ; 反演模型 ; 太湖 ; 富营养化
基于环境小卫星CCD数据对太湖地区叶绿素a浓度的反演
基于环境小卫星 CCD 数据对太湖地区叶绿素 a 浓度的反演
史鹏辉 李云格 姜 寒
（西北农林科技大学水利与建筑工程学院，陕西杨凌 712100）
摘 要：针对我国湖泊水体富营养化监测问题，以太湖为研究对象，使用了快速、低成本、大范围的遥感技术
在将遥感技术应用于叶绿素a浓度的监测等方面，国 内外学者作了很多研究。朱冰川等［3］基于GOCI数据建立 了太湖叶绿素a浓度的三波段反演模型，使用归一化植被 覆盖指数（NDVI）对水体的蓝藻水华进行监测，并评估了 水体的富营养化程度；张明慧等［4］利用MODIS时间序列影 像数据，反演了福建海岸附近不同时期的叶绿素a含量， 并对反演结果进行了分析；Teng Zhang等［5］比较了叶绿素 a和多个波段反射率间的相关性，确定了叶绿素a的反演 波段，并将其输入到支持向量机（SVM）模型中，建立了一 个良好的评价模型；Ryan McEliece等［6］基于UAV多光谱 影像，通过2个不同波段计算的反射比和指数估算叶绿素 a浓度和浊度的可能性；董丹丹等［7］以巢湖为研究对象，通 过拟合MODIS数据和实地监测数据，反演了水体叶绿素a 信息；马兰等［8］以向海湿地水体为研究对象，利用Land⁃ sat-OLI数据，采用回归分析的方法，建立并筛选出了叶绿 素a含量最佳反演模型。笔者以太湖为研究对象，利用环
的多项式反演模型可以较为准确地反演出太湖地区的叶绿素 a 浓度值。
关键词：遥感；叶绿素 a；反演模型；波段比值法；CCD
中图分类号 X832；TP79
文献标识码 A 文章编号 1007-7731（2021）17-0030-04
The Inversion of Chlorophyll a Concentration in Taihu Lake Region Based on Environment Small Satellite CCD Data
利用MERIS产品数据反演太湖叶绿素a浓度研究
利用MERIS产品数据反演太湖叶绿素a浓度研究宋瑜;宋晓东;郭照冰;周慧平;江洪【期刊名称】《遥感信息》【年(卷),期】2009(000)004【摘要】第三代水色传感器MERIS的荧光通道的合理设置为荧光遥感法的应用提供了广阔的发展前景.利用MERIS数据、同步地面光谱和水质监测数据,分别通过基线荧光高度(FLH)、归一化荧光高度(NFH)和最大叶绿素指数(MCI)建立了太湖叶绿素a浓度的荧光遥感估算模型.结果表明:MERIS荧光参数中最大叶绿素指数(McI)较基线荧光高度(FLH)更适合太湖水体叶绿素a浓度的反演;归一化荧光高度(NFH)与实测叶绿素a浓度间的拟合效果最好.最后选取NFH进行MERlS荧光遥感模型的太湖叶绿素a浓度的反演,其结果客观地反映了太湖水体叶绿素a浓度的空间分布格局.【总页数】6页(P19-24)【作者】宋瑜;宋晓东;郭照冰;周慧平;江洪【作者单位】中国科学院城市环境研究所,厦门,361021;中国科学院城市环境研究所,厦门,361021;环境科学与工程学院,南京信息工程大学,南京,210044;环保部南京环境科学研究所,南京,311300;国际地球系统科学研究所,南京大学,南京,210093;国际空间生态与生态系统生态研究中心,浙江林学院,杭州,311300【正文语种】中文【中图分类】TP751【相关文献】1.基于MERIS遥感图像的太湖叶绿素浓度反演 [J], 王根深;王得玉2.浑浊Ⅱ类水体叶绿素a浓度遥感反演(Ⅱ):MERIS遥感数据的应用 [J], 姜广甲;周琳;马荣华;段洪涛;尚琳琳;饶加旺;赵晨露3.MERIS遥感图像的太湖叶绿素浓度反演研究 [J], 朱江山;王得玉4.基于MERIS数据的太湖叶绿素浓度的反演研究 [J], 田园;王得玉5.基于GOCI数据的暴雨后太湖水体叶绿素a浓度遥感反演研究 [J], 徐祎凡;陈黎明;陈炼钢;李云梅;金秋;胡腾飞因版权原因，仅展示原文概要，查看原文内容请购买。
水面实测遥感光谱数据的叶绿素a反演模型构建——以太湖为例
水面实测遥感光谱数据的叶绿素a反演模型构建——以太湖为例李月娥;宋瑜;宋晓东;李昌平;郭照冰【期刊名称】《四川环境》【年(卷),期】2009(028)003【摘要】叶绿素a遥感反演的关键是建立遥感数据和叶绿素含量的定量关系.本文根据2007年11月在太湖实测的水体反射光谱及实验室分析得到的叶绿素浓度数据,对太湖水体反射光谱特征与叶绿素浓度之间的关系进行分析和建模.研究结果表明:687nm附近反射峰位置对叶绿素浓度有很好的指示作用,在太湖水体叶绿素浓度的估测模型中,反射峰位置的指数模型要优于线性模型;叶绿素a浓度与684nm 和633nm附近的一阶微分有很好的相关性,利用R'684和R'633所建叶绿素a浓度反演模型的估算精度R2分别达到0.89和0.91.【总页数】5页(P19-22,40)【作者】李月娥;宋瑜;宋晓东;李昌平;郭照冰【作者单位】苏州市环境监测中心站,江苏,苏州,215004;中国科学院城市环境研究所,厦门,361021;中国科学院城市环境研究所,厦门,361021;苏州市环境监测中心站,江苏,苏州,215004;南京信息工程大学环境科学与工程学院,南京,210044【正文语种】中文【中图分类】X524【相关文献】1.基于季节分异的太湖叶绿素浓度反演模型研究 [J], 乐成峰;李云梅;孙德勇;王海君2.基于水面实测光谱的太湖蓝藻卫星遥感研究 [J], 韩秀珍;吴朝阳;郑伟;孙凌3.太湖水体叶绿素浓度反演模型适宜性分析 [J], 王珊珊;李云梅;王永波;王帅;杜成功4.基于高光谱数据的水体叶绿素a指数反演模型的建立 [J], 王金梁;秦其明;李军;林丛;徐若风;高中灵5.基于实测值的Landsat 8水面温度反演算法对比——以太湖为例 [J], 陈争;王伟;张圳;王怡因版权原因，仅展示原文概要，查看原文内容请购买。
基于高分六号卫星遥感影像的太湖叶绿素a质量浓度反演
第49卷第1期2021年1月河海大学学报(自然科学版)Journal of Hohai University(Natural Sciences)Vol.49No.1Jan.2021DOI :10.3876/j.issn.10001980.2021.01.008 基金项目:国家重点研发计划(2018YFC0407903);国家自然科学基金青年科学基金(41701487);国家自然科学基金(42071346);中央高校基本科研业务费专项(2019B02714)作者简介:潘鑫(1989 ),男,副教授,博士,主要从事定量遥感研究㊂E⁃mail:px1013@通信作者:杨英宝,教授㊂E⁃mail:yyb@引用本文:潘鑫,杨子,杨英宝,等.基于高分六号卫星遥感影像的太湖叶绿素a 质量浓度反演[J].河海大学学报(自然科学版),2021,49(1):50⁃56.PAN Xin,YANG Zi,YANG Yingbao,et al.Mass concentration inversion analysis of chlorophyll a in Taihu Lake based on GF⁃6satellite data [J].Journal of Hohai University(Natural Sciences),2021,49(1):50⁃56.基于高分六号卫星遥感影像的太湖叶绿素a 质量浓度反演潘 鑫,杨 子,杨英宝,孙怡璇,孙浦韬,李藤藤(河海大学地球科学与工程学院,江苏南京 211100)摘要:针对太湖叶绿素a 浓度反演大多采用低中分辨率遥感数据,缺少基于高分辨率遥感数据研究的现状,采用高分六号卫星遥感影像,运用波段比值模型㊁归一化差异叶绿素指数(NDCI )模型和三波段模型定量反演了太湖蓝藻的叶绿素a 质量浓度,并采用2018年10月28日㊁2019年4月6日和2019年6月3日的高分六号卫星遥感影像对3种模型的反演精度进行了验证㊂结果表明,采用NDCI 模型的平均相对误差㊁均方根误差和平均绝对误差最小,NDCI 模型具有更好的精度和稳定性,更适合高分六号卫星遥感影像在太湖叶绿素a 质量浓度反演方面的应用㊂关键词:叶绿素a 质量浓度;高分六号卫星;遥感反演方法:太湖中图分类号:P237 文献标志码:A 文章编号:10001980(2021)01005007Mass concentration inversion analysis of chlorophyll a in Taihu Lake based on GF⁃6satellite dataPAN Xin ,YANG Zi ,YANG Yingbao ,SUN Yixuan ,SUN Putao ,LI Tengteng (School of Earth Science and Engineering ,Hohai University ,Nanjing 211100,China )Abstract :Low resolution satellite imageries are mostly used in the mass concentration inversion analysis of chlorophyll a in Taihu Lake,with insufficient high resolution satellite images.Based on the GF⁃6satellite data,this study quantitatively retrieved the mass concentration of chlorophyll a in Taihu Lake with the band ratio (TBR)model,the normalized difference index of chlorophyll (NDCI)model and the three⁃band semi⁃analysis(TBS)model.The inversion accuracy of the three models was verified by using the GF⁃6satellite image data on October 28,2018,April 6,2019,and June 3,2019.The results show that the average relative error,root mean square error and mean absolute error of the NDCI model are the minimum.Therefore,the NDCI model has better accuracy and stability,and is more suitable for the application of GF⁃6satellite in the inversion of chlorophyll a mass concentration in Taihu Lake.Key words :mass concentration of chlorophyll a;GF⁃6satellite;remote⁃sensing inversion method;Taihu Lake目前国内外使用较多的叶绿素a 浓度反演模型主要有3种:经验模型㊁生物光学模型以及半经验/半分析模型,3种模型各有其优势及局限性㊂祝令亚[1]以太湖为研究区,采用MODIS 数据,用波段组合算法建立了叶绿素a 浓度的反演模型㊂温新龙等[2]以太湖为例,基于环境一号卫星CCD 数据,利用波段组合算法,发现基于CCD 数据第4波段与第3波段反射率比值的二次模型具有良好的叶绿素a 浓度反演效果㊂朱利等[3]基于环境一号卫星多光谱数据,建立了分地区季节经验模型反演叶绿素a 浓度㊂李旭文等[4]基于Landsat TM 数据和地表实测数据建立了经验模型,并对梅梁湖区蓝藻生物量进行了估算,证明叶绿素a 浓度和DVI(差异植被指数)的相关性较高㊂李素菊等[5]基于波段比值(the band ratio,TBR)模型及一阶微分模型进行了巢湖流域浮游植物叶绿素含量和反射率光谱特征关系的研究㊂李铜基等[6]基于数理统计方法,结合实测数据,建立了以色素质量浓度0.7mg /m 3为分界点时地表反射率与叶绿素a 浓度的关系㊂段洪涛15第1期潘 鑫,等 基于高分六号卫星遥感影像的太湖叶绿素a质量浓度反演等[7]以查干湖区域为研究区,基于叶绿素荧光峰(700nm)和叶绿素吸收峰(670nm)的反射率比值与叶绿素a 浓度的对数关系建立了使用高光谱数据的经验回归模型㊂刘忠华[8]基于单波段叶绿素a浓度模型对太湖流域西部进行了研究,表明叶绿素a浓度在712nm波长处与地表反射率的相关性最强㊂关于单波段模型, Rundquist等[9]基于对大量实测数据的研究,认为叶绿素a浓度在690nm波长处与地表反射率的相关性较高㊂赵碧云等[10]基于不同波段反射率与叶绿素a浓度的相关性建立了针对TM遥感数据的叶绿素a水质反演模型,并研究了滇池流域的水质,证明TBR模型可以消除部分大气对反演结果的影响,一定程度提高了反演精度㊂上述研究表明,经验模型局部反演精度较高,且模型构建方法简单,但实测数据的质量对其反演结果影响较大,在不同空间和时间尺度的适用性不强㊂在叶绿素a浓度的生物光学模型研究中,Gordon等[11]提出了具有代表性的生物光学模型基本公式,但该模型中的各部分参数定量表征复杂;李云梅等[12]等建立了基于模拟数据的生物光学模型,并且成功进行了太湖流域的叶绿素a浓度反演;Lee等[13]提出了QAA(quasi⁃analytical algorithm),主要应用于二类水体叶绿素a浓度的估算㊂Li等[14]则提出了叶绿素a浓度反演分析IIMIW模型㊂生物光学模型的参数受到水体组成成分的影响较大,在时间和空间尺度上的普适性同样有待提高㊂Dall’Olmo等[15]提出了基于半经验/半分析模型的三波段(three band semi⁃analysis,TBS)模型,Le等[16]研究表明,近红外波段吸收系数受浑浊水域悬浮物浓度的影响,须引入第4个波段以消除悬浮物浓度造成的影响,并将三波段算法发展成为四波段模型㊂黄昌春等[17]利用具有较大时空差异性的水体组分和光学特性数据集对现有叶绿素a浓度的半分析模型和生物光学模型进行了检验,三㊁四波段模型总体反演精度高㊂徐祎凡等[18]以太湖为研究区,利用TBS算法构建了基于地球静止海洋彩色成像仪数据(GOCI)的太湖叶绿素a浓度反演模型㊂Zhang等[19]在研究中指出,季节变化会引起水体组分变化,导致算法具有局限性,提出了一种软分类方法对常用的半分析模型进行了实验,通过分类来提高反演精度㊂目前叶绿素a浓度遥感反演大多基于中低分辨率遥感数据,精度有待提高㊂本文采用我国首颗具有红边波段的高分六号(GF⁃6)卫星遥感影像进行了太湖流域叶绿素a质量浓度反演研究,并进行了不同反演模型的精度分析,以寻求基于高分六号卫星遥感影像反演叶绿素a质量浓度的最佳模型㊂1 叶绿素a质量浓度反演方法简介本文选用基于经验模型和半经验/半分析模型进行叶绿素a质量浓度的反演㊂基于经验模型的叶绿素a质量浓度反演模型有TBR模型和归一化差异叶绿素指数(normalized differential chlorophyll index,NDCI)模型,基于半经验/半分析模型的叶绿素a质量浓度反演模型有TBS模型,3种模型计算公式分别为(1)ρ(Chl⁃a)=A+B R a Rbρ(Chl⁃a)=A+B R c-R dR c+R d(2)(R-1e-R-1f)R g∝ρ(Chl⁃a)(3)式中:ρ(Chl⁃a) 叶绿素a质量浓度;A㊁B 常数;R a㊁R b㊁R c㊁R d㊁R e㊁R f㊁R g 参与计算的遥感反射率㊂为了评价叶绿素a质量浓度反演模型的精度,采用平均值偏差(DMC)㊁标准差偏差(DSD)㊁平均绝对误差(AE)㊁平均相对误差(MRE)㊁均方根误差(RMSE)为精度评价指标㊂2 研究区概况和研究数据2.1 研究区概况太湖流域的地理位置为30°55′40″N~31°32′58″N㊁119°52′32″E~120°36′10″E,属于亚热带季风气候区,降水充足,年平均降水量1177mm,多年平均天然年径流量160.1亿m3㊂太湖流域的地形特点为四周高㊁中间低㊁西部高㊁沿海的东部地区低㊂太湖流域河网密布,湖泊众多,总面积大于0.5km2的湖泊共计189个,其中太湖富营养化最严重的地区是梅梁湾[20]㊂这些湖泊可以调节河川径流,同时具有灌溉等多种功能,丰富的湖泊资源成为太湖流域社会经济发展的基础条件㊂太湖是太湖流域内面积最大的湖泊,是我国第二大淡水湖,面积2338km2,多年平均蓄水量44.28亿m3㊂2.2 研究数据2.2.1 高分六号卫星遥感影像高分六号卫星是我国高分专项系列中发射的第一颗具有红边波段的国产卫星[21],于2018年6月2日在酒河海大学学报(自然科学版)第49卷泉卫星发射中心成功发射并入轨运行,属于太阳同步卫星,其轨道高度为645km㊂高分六号卫星搭载了2台全色多光谱相机㊁4台多光谱相机,有8个波段,空间分辨率为16m㊂相对于高分系列的其他卫星,高分六号卫星新增了4个波段,其中有2个红边波段㊁1个紫光波段和1个黄光波段㊂红边波段更有利于利用植物的 陡坡效应”,可以有效地监测植被信息,适合于环境监测以及植被监测,在水体富营养程度方面的监测还有待研究㊂本文采用的遥感数据是高分六号卫星宽幅传感器获取的太湖地区2018年10月28日㊁2019年4月6日和2019年6月3日的3幅影像,图像像素大小为16m×16m,为经过预处理的L1A 级数据㊂高分六号卫星遥感影像的预处理主要包括传感器校正和大气校正两个过程㊂传感器校正又被称作辐射定标过程,其目的主要是消除传感器自身在遥感影像中造成的误差,这一步只是得到比较准确的大气顶层的辐射亮度,因为地表反射的太阳辐射在经过大气传输后仍然会有所改变,因此还需要进行大气校正㊂经过大气校正后的反射率误差很小,可用于叶绿素a 质量浓度的反演㊂2.2.2 实测数据实测数据包括1期24个采样点的叶绿素a 质量浓度和实测水面光谱反射率,以及5个自动监测站的3期叶绿素a 质量浓度数据㊂24个采样点的采样日期为2018年4月25 26日;3期自动监测站的采样日期分别为2018年10月28日㊁2019年4月6日和2019年6月3日,监测站分别为大雷山㊁漫山㊁西山西㊁焦山和漾西岗㊂实测的样点数据被分成两个部分:第一部分使用具有实测水面光谱反射率以及叶绿素a 质量浓度的采样点数据,用来建立叶绿素a 质量浓度计算模型,称为建模数据,共计24个;第二部分使用不具备实测水面光谱反射率,只包含叶绿素a 质量浓度的样点数据,用来检验模型的反演精度,称为检验数据,共计15个㊂a.叶绿素a 质量浓度测定㊂采用分光光度法在实验室中测定,对采集的水样使用GF /C 滤膜过滤,将抽滤水样的体积记为V 1㊂然后将滤膜放到冰箱中冷冻,48h 后取出,再用热乙醇萃取,后在岛津UV2401分光光度计上测定665nm 和750nm 处吸光度,并计算2个吸光度的差A 1,再加入稀盐酸酸化测定酸化后的提取液在665nm 和750nm 处的吸光度差A 2,提取液的最终定容体积记为V 2,根据下式换算得到叶绿素a 质量浓度:ρ(Chl⁃a)=27.9(A 1-A 2)V 2V 1(4)图1 太湖水体实测反射率光谱曲线Fig.1 Measured reflectance spectral curve of Taihu Lake water b.水体光谱采集㊂采用ASDHandHeld2便携式地物光谱仪采集太湖清洁水体和蓝藻水华水面光谱㊂光谱范围为350~1075nm,光谱分辨率为1nm㊂光谱采集过程中仪器距离水面约1m,采用倾斜测量的方式进行[22],获得的实测水面反射率光谱曲线见图1㊂3 反演模型的构建与精度评价3.1 高分六号卫星的波段模拟实测反射率采样当天没有高分六号卫星过境,所以只能进行波段模拟,通过模拟波段反射率来建立卫星反射率和叶绿素a 质量浓度之间的相关关系㊂高分六号卫星传感器有8个波段,波段范围为450~890nm,在对高分六号卫星进行叶绿素a 敏感波段分析的过程中,无法直接用实测遥感反射率(R rs )与高分六号卫星遥感反射率(R GF ⁃6)进行替换㊂因此,需要根据高分六号卫星的光谱响应函数,先对实测遥感反射率做波段等效,波段等效计算公式为R mea2=∑910nm λ=450nm R rs λf λ∑910nm λ=450nm f λ(5)式中:λ 波长;R rs λ 波长λ处的遥感反射率;f λ 波长λ处的高分六号卫星的光谱响应函数;25第1期潘 鑫,等 基于高分六号卫星遥感影像的太湖叶绿素a质量浓度反演图2 高分六号卫星光谱响应函数曲线Fig.2 Spectral response function curve of GF⁃6satellite 图3 高分六号卫星模拟波段反射率Fig.3 Simulated band reflectance ofGF⁃6satellite 450nm㊁910nm 高分六号卫星最短㊁最长波长㊂高分六号卫星的光谱响应函数如图2所示(图中B1~B8分别表示高分六号卫星的8个波段)㊂根据高分六号卫星的光谱响应函数建立的实测数据等效波段反射率如3所示㊂与图1太湖水体的实测反射率光谱曲线进行比较,高分六号卫星在550nm 与700nm 附近出现反射率的峰值,其对应的波段为B2与B5,实测反射率的峰值出现在560nm 以及710nm附近,分别处于B2波段和B5波段的范围内㊂高分六号卫星在660nm 处出现反射率吸收峰,对应的波段为B3波段,实测反射率的吸收峰出现在670nm 附近,处于B3波段范围内,可见,高分六号卫星模拟波段的反射率特征和实测波段的反射率特征一致,可以替代实测数据反射率进行敏感波段的选择㊂3.2 反演模型构建3.2.1 TBR 模型采用24组实测叶绿素a 质量浓度数据和对应采样点的光谱数据来选择TBR 模型最佳波段,将卫星波段范围内每个等效波段的反射率分别除以其余所有等效波段的反射率,用得到的比值与叶绿素a 质量浓度计算相关系数,取相关性最大的2个波段作为最佳波段,求得高分六号卫星的最佳波段为B2(波段1)和B5(波段2)㊂高分六号卫星的TBR 指数与叶绿素a 质量浓度的关系见图4(图中TBR 指数表示高分六号卫星第2波段和第5波段反射率的比值)㊂3.2.2 NDCI 模型NDCI 模型最佳波段选择方法同TBR 模型,得到高分六号卫星的最佳波段为B2(波段1)和B5(波段2)㊂高分六号卫星的NDCI 指数与叶绿素a 质量浓度的关系见图5(图中NDCI 指数表示高分六号卫星第2波段和第5波段反射率之差除以二者之和)㊂3.2.3 TBS 模型采用24组实测的叶绿素a 质量浓度数据和对应采样点的光谱数据来选择TBS 模型最佳波段,按照最优波段选择的方法,将实测的水面光谱反射率替换成高分六号卫星的模拟波段,求得高分六号卫星的最佳波段为B3(波段1)㊁B6(波段2)和B2(波段3)㊂高分六号卫星TBS 指数与叶绿素a 质量浓度的关系如图6所示㊂图4 高分六号卫星TBR 指数与叶绿素a 质量浓度的关系Fig.4 Relation between TBR index and chlorophyll a mass concentration ofGF⁃6satellite 图6 高分六号卫星TBS 指数与叶绿素a 质量浓度的关系Fig.6 Relation diagram of TBS index and chlorophyll a concentration of GF⁃6satellite 图5 高分六号卫星NDCI 指数与叶绿素a 质量浓度的关系Fig.5 Relation diagram of NDCI indexand chlorophyll a mass concentration of GF⁃6satellite TBS 指数计算公式为35河海大学学报(自然科学版)第49卷I TBS =1εB3-1ε()B6εB2(6)式中:I TBS TBS 指数值;εB2㊁εB3㊁εB6 高分六号卫星第2㊁3㊁6波段的反射率㊂3.3 反演结果的定性比较选取2019年4月6日高分六号卫星遥感影像,采用3种模型来进行太湖叶绿素a 质量浓度的反演,影像的假彩色合成和3种模型提取的叶绿素a 质量浓度分布如图7所示㊂从图7可以看出,太湖中叶绿素a 质量浓度较高的区域一般分布在南部沿岸区㊁竺山湖与西部沿岸区的交界处和东太湖㊂其中NDCI 模型和TBR 模型叶绿素a 质量浓度反演的结果比较相似,而在南部沿海岸区TBS 模型反演的高质量浓度叶绿素a 的量要比NDCI 模型和TBR 模型多㊂图7 太湖叶绿素a 质量浓度的分布(单位:mg /m 3)Fig.7 Distribution of chlorophyll a mass concentration in Taihu Lake (units :mg /m 3)3.4 高分六号卫星和MODIS 遥感影像反演结果对比表1 高分六号卫星与MODIS 遥感影像反演精度对比Table 1 Inversion precision comparison between GF⁃6satellite and MODIS data 遥感影像模型DMC /%DSD /%AE /(mg㊃m -3)MRE /%RMSE /(mg㊃m -3)GF⁃6TBR 44.0020.11 2.5123.37 3.68NDCI35.2144.92 2.4522.27 2.99MODIS TBR 84.2061.78 6.4084.00 6.47NDCI 69.8165.30 4.0952.41 4.50 基于MODIS 的2019年4月6日的遥感影像,采用TBR㊁NDCI 模型进行太湖叶绿素a 质量浓度的反演,继而与高分六号卫星的反演结果进行对比,结果见表1和图8㊂从图8可以看出,MODIS 遥感影像反演的叶绿素a 质量浓度整体偏低㊂从表1可以看出,MODIS 遥感影像反演的叶绿素a 质量浓度的DMC㊁DSD㊁AE㊁MRE㊁RMSE均要大于高分六号卫星遥感影像的反演值,因此采用高分六号卫星遥感影像反演叶绿素a 质量浓度是可靠的㊂图8 高分六号卫星与MODIS 遥感影像反演结果对比(单位:mg /m 3)Fig.8 Comparison of inversion results between GF⁃6satellite and MODIS Data (units :mg /m 3)表2 高分六号卫星遥感影像反演叶绿素a 质量浓度的精度Table 2 Inversion accuracy of chlorophyll a massconcentration from GF⁃6satellite image模型DMC /%DSD /%AE /(mg㊃m -3)MRE /%RMSE /(mg㊃m -3)TBR 14.1843.37 4.8038.168.00NDCI 5.1943.86 4.6435.287.47TBS 4.2743.57 6.0967.997.853.5 反演模型精度评价未参与建模的样点数(检验数据)有15个,去除影像因薄云影响的5个数据,实际参与检验的数据为10个㊂采用3幅高分六号卫星遥感影像对3种反演模型进行精度评价,结果见表2㊂由表2可见,TBS 模型的DMC 为4.27%,效果最好,NDCI 模型的DMC 为5.19%,略低于TBS45第1期潘 鑫,等 基于高分六号卫星遥感影像的太湖叶绿素a质量浓度反演模型,TBR模型的DMC为14.18%,说明TBR模型反演的叶绿素a质量浓度的平均值与实测的叶绿素a质量浓度的平均值误差较大㊂DSD则是TBR模型较好,TBS模型次之,NDCI模型最差,3种模型的DSD均在43%~44%范围内,相差不到1%,说明3种模型反演结果的分布较为接近㊂TBR㊁NDCI㊁TBS模型的MRE 分别为38.16%㊁35.28%和67.99%,说明TBR模型和NDCI模型的反演结果较好,TBS模型反演效果较差㊂表3为高分六号卫星3幅验证遥感影像反演结果的AE和MRE平均绝对误差统计表㊂可以看出,在3种模型中,验证样点最大MRE为86.76%,出现在TBS模型采用2019年6月3日卫星遥感影像的反演结果中;最小MRE为22.27%,出现在NDCI模型采用2019年4月6日卫星遥感影像的反演结果中㊂表3 3幅高分六号卫星遥感影像反演结果的AE和MRETable3 Statistical table of AE and MRE of three GF⁃6satellite images遥感影像日期AE/(mg㊃m-3)MRE/%TBR模型NDCI模型TBS模型TBR模型NDCI模型TBS模型2018年10月28日 2.86 2.79 3.7641.8339.2056.59 2019年4月6日 2.51 2.45 4.3523.3722.2760.64 2019年6月3日 6.02 5.677.1749.3044.3586.76综合3幅遥感影像反演的平均结果来看,最大MRE和最大AE均出现在TBS模型中,最小MRE和最小AE出现在NDCI模型中㊂TBS模型的MRE均超过了50%,反演结果较差㊂TBS模型对太湖地区的叶绿素a 质量浓度预测值偏高,可能是太湖地区复杂的水质情况导致TBS模型的精度较差㊂对2019年6月3日的卫星遥感影像反演结果进行分析,3种模型的MRE均超过了40%,AE均超过5mg/m3,NDCI模型的结果比其他两个模型效果稍好,但也较为一般㊂这可能因为实测叶绿素a质量浓度数据都低于15mg/m3的限制,所以本文建立的模型可能更适用于叶绿素a低质量浓度的反演㊂对于2018年10月28的卫星遥感影像,TBR和NDCI模型的MRE小于TBS模型㊂对2019年4月6日的卫星遥感影像,TBR与NDCI模型反演结果的MRE 接近,反演结果较为可靠㊂4 结 论a.TBR模型与NDCI模型的最佳波段为第2波段和第5波段,TBS模型的最佳波段为第2波段㊁第3波段和第6波段㊂b.3种模型中,NDCI模型的MRE㊁AE和RMSE均最小,基于高分六号卫星第2波段和第5波段构建的NDCI模型比其他模型具有更好的精度和稳定性,更适用于高分六号卫星遥感影像在太湖叶绿素a质量浓度反演方面的应用㊂参考文献:[1]祝令亚.湖泊水质遥感监测与评价方法研究[D].北京:中国科学院遥感应用研究所,2006.[2]温新龙,景元书,李亚春,等.基于环境一号卫星数据的太湖叶绿素a浓度反演[J].环境科学与技术,2014,37(10):149⁃153.(WEN Xinlong,JING Yuanshu,LI Yachun,et al.Quantitative estimation of chlorophyll⁃a concentration in Lake Taihu based on HJ⁃1satellite images[J].Environmental Science&Technology,2014,37(10):149⁃153.(in Chinese)) [3]朱利,姚延娟,吴传庆.基于环境一号卫星的内陆水体水质多光谱遥感监测[J].地理与地理信息科学,2010,26(2):81⁃84.(ZHU Li,YAO Yanjuan,WU Chuanqing.Remote sensing monitoring on water quality of interior water body based on the HJ⁃1satellite multi⁃spectral data[J].Geography and Geo⁃Information Science,2010,26(2):81⁃84.(in Chinese))[4]李旭文,季耿善,杨静.太湖梅梁湖湾蓝藻生物量遥感估算[J].国土资源遥感,1995(2):23⁃28.(LI Xuwen,JI Gengshan,YANG Jing.Estimating cyanophyta biomass standing crops in Meiliang Gulf of Lake Taihu by satellite remote sensing[J].Remote Sensing for Land&Resources,1995(2):23⁃28.(in Chinese))[5]李素菊,吴倩,王学军,等.巢湖浮游植物叶绿素含量与反射光谱特征的关系[J].湖泊科学,2002(3):228⁃234.(LISuju,WU Qian,WANG Xuejun,et al.Relationship between chlorophyll content and reflectance spectral characteristics of phytoplankton in Chaohu Lake[J].Journal of Lake Sciences,2002(3):228⁃234.(in Chinese))[6]李铜基,陈清莲,朱建华,等.黄东海秋季色素经验算法研究[J].海洋技术,2004(4):113⁃116.(LI Tongji,CHENQinglian,ZHU Jianhua,et al.Chlorophyll empirical algorithm of Yellow Sea and the East China Sea in autumn[J].Marine Technology,2004(4):113⁃116.(in Chinese))5565河海大学学报(自然科学版)第49卷[7]段洪涛,张柏,宋开山,等.查干湖叶绿素a浓度高光谱定量模型研究[J].环境科学,2006(3):3503⁃3507.(DUANHongtao,ZHANG Bai,SONG Kaishan,et al.Hyperspectral remote sensing of chlorophyll⁃a in the Chagan Lake,China[J].Environmental Science,2006(3):3503⁃3507.(in Chinese))[8]刘忠华.基于高分数据的太湖重点污染入湖河流叶绿素a浓度遥感反演[D].南京:南京师范大学,2012.[9]RUNDQUIST D C,HAN L,SCHALLES J F,et al.Remote measurement of algal chlorophyll in surface waters:the case for thefirst derivative of reflectance near690nm[J].Photogrammetric Engineering and Remote Sensing,1996,62(2):195⁃200. [10]赵碧云,贺彬,朱云燕,等.滇池水体中叶绿素a含量的遥感定量模型[J].云南环境科学,2001(3):1⁃3.(ZHAO Biyun,HE Bin,ZHU Yunyan,et al.Study on the remote sensing model for chlorophyll⁃a in Dianchi Lake[J].Yunnan Environmental Science,2001(3):1⁃3.(in Chinese))[11]GORDON H R,BROWN J W,BROWN O B,et al.A semianalytic radiance model of ocean color[J].Journal of GeophysicalResearch Atmospheres,1988,93(10):10909⁃10924.[12]李云梅,黄家柱,韦玉春,等.用分析模型方法反演水体叶绿素的浓度[J].遥感学报,2006(2):169⁃175.(LI Yunmei,HUANG Jiazhu,WEI Yuchun,et al.Inversing chlorophyll concentration of Taihu Lake by analytic model[J].Journal of Remote Sensing,2006(2):169⁃175.(in Chinese))[13]LEE Z,CARDER K L,ARNONE R A.Deriving inherent optical properties fromwater color:a multiband quasi⁃analytical algorithmfor optically deep waters[J].Applied Optics,2002,41(27):5755⁃5772.[14]LI L,SONG K,LI Y,et al.An inversion model forderiving inherent optical properties of inland waters:establishment,validationandapplication[J].Remote Sensing of Environment,2013,135(4):150⁃166.[15]DALL’OLMO G,GITELSON A A.Effect of bio⁃optical parameter variability on the remote estimation of chlorophyll⁃aconcentration in turbid productive waters:experimental results[J].Applied Optics,2005,44(3):412⁃22.[16]LE Chengfeng,LI Yunmei,ZHA Yong,et al.A four⁃band semi⁃analytical model for estimating chlorophyll a in highly turbidlakes:the case of Taihu Lake,China[J].Remote Sensing of Environment,2009,113(6):1175⁃1182.[17]黄昌春,李云梅,徐良将,等.内陆水体叶绿素反演模型普适性及其影响因素研究[J].环境科学,2013,34(2):525⁃531.(HUANG Changchun,LI Yunmei,XU Liangjiang,et al.Study on influencing factors and universality of chlorophyll⁃a retrieval model in inland water body[J].Environmental Science,2013,34(2):525⁃531.(in Chinese))[18]徐祎凡,陈黎明,陈炼钢,等.基于GOCI数据的暴雨后太湖水体叶绿素a浓度遥感反演研究[J].水利水电技术,2020,51(10):151⁃158.(XU Yifan,CHEN Liming,CHEN Liangang,et al.High temporal resolution remote monitoring of chlorophyll aconcentration change after rainstorm based on GOCI data in Lake Taihu[J].Water Resources and Hydropower Engineering, 2020,51(10):151⁃158.(in Chinese))[19]ZHANG F,LI J,SEHN Q,et al.Algorithms and chemes for chlorophyll⁃a estimation by remote sensing and optical classificationfor turbid lake Taihu,China[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2015,8(1):350⁃364.[20]马孟枭.基于MODIS影像的太湖蓝藻水华面积高精度计算方法及应用[D].南京:南京大学,2014.[21]王旭. 长征”二号丁运载火箭成功发射 高分”六号卫星[J].中国航天,2018(6):14.(WANG Xu.Long March2DINGcarrier rocket successfully launched GF⁃6satellite[J].China Aerospace Science and Technology,2018(6):14.(in Chinese)) [22]唐军武,田国良,汪小勇,等.水体光谱测量与分析Ⅰ:水面以上测量法[J].遥感学报,2004(1):37⁃44.(TANG Junwu,TIAN Guoliang,WANG Xiaoyong,et al.The mechods of water spectra measurement and analysisⅠ:above water measurement [J].Journal of Remote Sensing,2004(1):37⁃44.(in Chinese))(收稿日期:20201106 编辑:熊水斌)。
基于Hydrolight_模型的太湖SDGSAT-1_卫星悬浮物浓度反演研究
基于Hydrolight 模型的太湖SDGSAT-1卫星悬浮物浓度反演研究王雅萍 1胡雪可 1,2李家国 2,*姜晟 3陈兴峰 2赵利民 2陈洪真2（1 河南理工大学测绘与国土信息工程学院，焦作 454000）（2 中国科学院空天信息创新研究院，北京 100094）（3 江苏省环境监测中心，南京 210019）R ′(B 5/B 3)R ′(B 5/B 3)摘 要 利用卫星遥感反演水体中的悬浮物浓度对水质监测和保护具有重要意义，在悬浮物浓度反演过程中，如何避免或最大程度降低水体中叶绿素a 、有色可溶性有机物（Colored Dissolved Organic Matter ，CDOM ）的干扰是当前的技术难点。
文章针对可持续发展科学卫星1号（SDGSAT-1）MII 传感器，利用Hydrolight 辐射传输模型，从理论上挖掘只与悬浮物强相关的反演因子，以此构建适用于MII 影像的太湖悬浮物浓度反演模型，通过水体的实测数据和遥感数据对模型应用效果进行验证。
结果表明：反演因子与悬浮物浓度为强相关，同时与叶绿素a 、CDOM 浓度弱相关；利用作为反演因子构建的幂函数模型为最优反演模型；将幂函数模型分别应用于实测数据和2022年5月4日的太湖SDGSAT-1 MII 数据，两次验证试验显示反演结果和现场测量结果具有较强一致性，模型适用性较好。
该研究可为SDGSAT-1卫星在湖泊水体悬浮物浓度监测、水资源评估与保护等提供一些技术参考。
关键词 悬浮物浓度反演 可持续发展科学卫星1号 相关性 水体辐射传输模拟 遥感应用中图分类号：TP79 文献标志码：A 文章编号：1009-8518(2024)01-0174-13DOI ：10.3969/j.issn.1009-8518.2024.01.015Research on Suspended Matter Concentration Retrieval of SDGSAT-1Satellite in Lake Taihu Based on Hydrolight ModelWANG Yaping 1HU Xueke 1,2LI Jiaguo 2,*JIANG Sheng 3CHEN Xingfeng 2ZHAO Limin 2CHEN Hongzhen2（ 1 School of Surveying and Land Information Engineering, Henan Polytechnic University, Jiaozuo 454000, China ）（ 2 Aerospace Information Research Institute, Chinese Academy of Science, Beijing 100094, China ）（ 3 Jiangsu Provincial Environmental Monitoring Center, Nanjing 210019, China ）Abstract The use of satellite remote sensing inversion of suspended matter concentration in water bodies is收稿日期：2023-01-19基金项目：国家重点研发计划（2020YFE0200700）；河南理工大学青年骨干教师资助计划（2023XQG-12）；河南省科技攻关项目 (232102210043)引用格式：王雅萍, 胡雪可, 李家国, 等. 基于Hydrolight 模型的太湖SDGSAT-1卫星悬浮物浓度反演研究[J]. 航天返回与遥感, 2024, 45(1): 174-186.WANG Yaping, HU Xueke, LI Jiaguo, et al. Research on Suspended Matter Concentration Retrieval of SDGSAT-1Satellite in Lake Taihu Based on Hydrolight Model[J]. Spacecraft Recovery & Remote Sensing, 2024, 45(1): 174-186.(in Chinese)航天返回与遥感第 45 卷 第 1 期174SPACECRAFT RECOVERY & REMOTE SENSING2024 年 2 月R ′(B 5/B 3)R ′(B 5/B 3)of great significance in water quality monitoring and protection. In the process of suspended matter concentration inversion, it is technically difficult at present to avoid or minimize the interference of chlorophyll-a and colored dissolved organic matter (CDOM) in the water body. Aiming at the "Sustainable Development Goals scientific satellite 1" (SDGSAT-1) MII sensor and using the Hydrolight radiative transfer model, the article theoretically excavates the inversion factor that is only strongly related to suspended matter, constructs an inversion model of Lake Taihu suspended matter concentration suitable for MII images, and applies the model to both measured and sensing image data for verification. The results showed that: the inversion factor was strongly correlated with the suspended matter concentration, while weakly correlated with chlorophyll a and CDOM concentration;the power function model constructed by using as the inversion factor was the optimal inversion model;the power function model was applied to the measured data and the SDGSAT-1 MII data of Lake Taihu on May 4, 2022, respectively, and the two verification experiments showed that the inversion results and field measurement results had a strong consistency, and the applicability of the power function model was good. This research can provide a technical reference for the SDGSAT-1 satellite in monitoring suspended matter concentration in lake water bodies, water resources assessment , and protection, etc.Keywords suspended matter concentration retrieval; SDGSAT-1; correlation; water body radiative transfer simulation; remote sensing applications0 引言水体中的悬浮物是指不溶于水的无机物、有机物、泥沙、微生物和黏土等悬浮在水中的固体物质，陆地养分会附着在悬浮颗粒表面导致水体污染现象发生[1]，因此监测水中悬浮物浓度是反映水质现状及发展趋势的重要手段。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
MERIS遥感图像的太湖叶绿素浓度反演研究朱江山;王得玉【摘要】近年来,水体富营养化是太湖水污染面临的主要问题,而叶绿素浓度是水体富营养化的重要指标,及时、有效地对太湖水体的叶绿素浓度进行监测和评价对太湖环境保护是十分必要的.而遥感作为低成本、大面积获取水体表层水质信息的手段,有着常规监测不具备的优势.为此,利用MERIS数据和太湖同步水质监测数据,建立了叶绿素基线荧光高度遥感反演模型;将其应用到经过几何校正和大气校正等预处理后的MERIS数据,获得了太湖叶绿素浓度遥感反演分布图像,结合太湖的水文情况及水污染特征对叶绿素遥感反演图像作了分析.遥感图像分析结果表明,MERIS 数据客观地反映了太湖水体叶绿素浓度的空间分布规律,与实测的太湖叶绿素浓度空间分布情况基本吻合.由此可见,基线荧光高度模型对于反演太湖叶绿素浓度分布是可行的.%Recently,eutrophication is the main problem of Taihu Lake's water pollution,and chlorophyll-a concentration is an important index of eutrophication.It is quite necessary for the protection of the Taihu Lake's environment to evaluate and monitor efficiently the lake's chlorophyll-a concentration in time.The surface water quality of large area could be monitored using remote sensing technique with low cost,beyond the ability of regular survey technique.Based on MERIS data and synchronous water quality monitoring data in Taihu Lake,the fluorescence line height remote sensing model has been developed which reflects the relationship between chlorophyll-a concentration and fluorescence line height.Then the model has been applied to MERIS data which is pre-processed through geometric correction,atmospheric correction,etc.An image aboutchlorophyll-a concentration distribution of Taihu Lake has been bined with the feature of the hydrological conditions and water pollution in Taihu Lake,the image about chlorophyll-a remote sensing retrieval is analyzed.The results objectively show that the MERIS image reflects the spatial distribution pattern of chlorophyll-a concentration in Taihu Lake,corresponding to the measured chlorophyll-a concentration of space distribution.Therefore,it is feasible for the fluorescence line height model to retrieval the chlorophyll-a concentration in Taihu Lake.【期刊名称】《计算机技术与发展》【年(卷),期】2017(027)004【总页数】4页(P192-195)【关键词】MERIS;叶绿素;基线荧光高度;反演【作者】朱江山;王得玉【作者单位】南京邮电大学通信与信息工程学院,江苏南京 210003;南京邮电大学通信与信息工程学院,江苏南京 210003【正文语种】中文【中图分类】TP393随着太湖流域经济的快速发展，太湖的水体污染问题日趋恶化，主要表现在水体富营养化现象严重，严重的富营养化又导致蓝藻水华的大量爆发，影响了太湖水资源的利用。
而叶绿素作为藻类的重要组成部分之一，其浓度常被作为衡量水体富营养化程度的重要指标，所以叶绿素a浓度的测量能够最直接、最有效地评价水体富营养化程度，同时还能监测太湖水体的空间分布情况，有助于分析并逐步解决太湖水体富营养化问题[1]。
但是叶绿素浓度的大面积动态的现场测量受到了极大限制，遥感技术的出现使许多学者对于水体叶绿素浓度遥感反演研究作了大量研究，其中有经验模型、半经验模型[2]和分析模型[3]。
采用ENVISAT卫星搭载的中分辨率成像光谱仪(MERIS)获取数据产品。
ENVISAT 是欧洲航空局于2002年3月发射的一颗高级地球观测卫星，飞行在太阳同步极地轨道约800 km的高空，可以提供海洋、陆地和大气层的测量。
ENVISAT有非常费时和创新的有效载荷，可以用来保证欧洲航空局卫星数据测量的连续性。
ENVISAT数据可以支持地球科学的研究和环境变化演变的动态监测。
MERIS传感器属于被动式扫描光谱仪，用所谓的“推帚式”的方法扫描地球表面。
其中有15个波段可以由地面控制，每一个波段在390～1 040 nm光谱范围内有一个可编程的宽度和一个可编程的位置。
其精细的光谱波段设置、独特的轨道处理功能、可调节的空间分辨率使其在水色传感器中占据绝对优势，在水色遥感研究中应用广泛[4]。
MERIS数据分为3级，即Level 1b数据(经辐射校正后的大气顶辐亮度)、Level2b数据(经大气校正后的海洋产品数据)、Level 3b数据(经地理校正及平均后的海洋产品数据，分辨率降低)。
采用MERIS 2b产品，分析太湖叶绿素a浓度空间分布规律。
采用荧光高度法模型，两位美国学者Neville和Gower从叶绿素光谱特征中发现[5]，叶绿素在中心波长668 nm处有明显的峰值，这一峰值的高度与叶绿素浓度有关，称为荧光发射峰。
荧光高度模型通过叶绿素荧光波段任意侧的多个波段构建基线，估算叶绿素荧光产生的辐亮度值，它的输入为归一化离水辐射率，由于瑞利散射对荧光基线波段的影响较小，气溶胶散射在各个波段的影响可以认为近似相同。
因此，叶绿素荧光算法与蓝绿波段比值算法相比，只需进行简单的大气校正和观测角的变化及太阳几何的影响校正，而不需要复杂的瑞利和气溶胶校正。
以太湖为实验区，以MERIS数据为实验数据，经过“辐射定标、几何校正、大气校正”等预处理后，建立荧光参数遥感反演模型，对太湖叶绿素a浓度进行了遥感反演估算研究。
太湖是长江流域境内最大的湖泊，是中国五大淡水湖之一，水域面积为2 338.1 km2，湖泊面积2 427.8 km2，湖岸线全长393.2 km，位于30°55′40″～31°32′58″N，119°52′32″～120°36′10″E之间[6]，见图1。
向中国科学院中国遥感卫星地面站申请了2004年10月20日太湖22个测量点叶绿素a浓度数据，数据主要均匀地分布在太湖北部区域梅梁湾附近，梅梁湾南北长约64 km，东西宽约7 km，平均水深2 m左右。
所选用的MERIS遥感数据是2004年10月20日卫星经过太湖境内实时数据，可用于太湖叶绿素浓度的反演分析。
MERIS传感器2b产品是在1b产品基础上经过粗略几何纠正和大气校正后的数据，图像清晰度符合实验要求，但还需要进一步精校正。
首先利用BEAM5.0[7]软件，对影像进行预处理，具体流程如下：(1)辐射量转换。
将大气顶层辐射亮度转换为大气层顶的反射率。
(2)几何校正。
选择一幅影像作为基准图像，将其他影像与基准图像进行几何配准，几何校正的同时进行投影转换。
(3)图像裁剪。
裁剪的目的是将研究之外的区域去掉，按照太湖所在的经纬度范围进行裁剪，裁剪完成后还进行一定的掩膜处理，掩膜掉陆地和云信息。
(4)辐射校正。
此次研究采用辐射传输模型对数据进行辐射校正。
2.1 模型构建遥感反演模型的构建方法主要有3种：经验模型、半经验模型、分析模型。
采用的基线荧光高度模型属于半经验模型，半经验模型是在已知的水色参数光谱条件下，利用最佳的波段组合数据与实测水色参数之间的统计关系进行水色参数估算。
叶绿素基线荧光高度模型是指利用测量在一定光谱带中基线荧光的高度，以及高于基线附近的另外两个光谱波段的高度，并将所测量的基线荧光高度与实测叶绿素浓度的相关性建立的统计模型[8]。
叶绿素是浮游植物的重要成分之一，而一般浮游植物的叶绿素荧光测量波段为680.5 nm，它的离水辐射率高于荧光波段附近的两个基线波段，这两个波段分别为664 nm和708 nm。
因此依据这三个波段，测量荧光中心波段的基线荧光高度，应用式(1)[9]反演叶绿素浓度。
Chl-a=a+b*FLH其中，Chl-a为叶绿素浓度(单位为mg/m3);FLH为基线荧光高度(单位：dl)；a、b为系数。
而基线荧光高度的计算公式为：其中，λ2为中心波长，λ1、λ3为选定的基线波长；L1、L2、L3为相应波段对应的辐射亮度值。
根据太湖叶绿素浓度实测数据与基线荧光高度建立线性回归关系，现场22个太湖采样点数据与卫星过境数据实时同步，用于构建基线荧光高度模型，同时计算实测叶绿素浓度与经过反演得到的叶绿素浓度的相对误差。
(1)计算太湖流域遥感数据的基线荧光高度，然后将太湖流域叶绿素浓度的实测数据与基线荧光高度进行线性回归分析，即要求实际值能够近均匀分布在回归分析模型所得到拟合值的两侧。
利用Matlab软件[10]求解式(1)中的参数a和b：a=-8.242 4、b=0.002 1。
最后将所得结果代入式(1)，得到太湖水域叶绿素浓度基线荧光高度算法反演公式：Chl-a=-8.242 4+0.002 1FLH(2)利用基线荧光高度模型对叶绿素a浓度进行线性回归分析，如图2所示。
可以发现样点基本均匀分布在回归分析线的两侧，极个别样点偏离得较远，可能是受到云、泥沙等悬浮物，高等水深植物及湖泊水深的影响。