基于分区的太湖叶绿素a遥感估测模型_王艳红

合集下载

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。

基于分区的太湖叶绿素a遥感估测模型

维普资讯
第３卷第１５期
２Ｏ年１Ｏ７月
河海大学学报（自然科学版）ＪｕｌｆｏａＵｉｒｔ（ａｒｃｎｅ）ｏｍａｏｈｉｎｖｓｙＮｔａＳｉｃｓＨｅｉｕｌｅ
Ｖ０．５Ｎ．１３ｏ１
行分区可以提高水质参数的估测精度．为此，本文首先分析太湖水体实测光谱数据和叶绿素ａ质量浓度的相关关系，然后对比ＭＤＳＯＩ波段并找出能较好反演叶绿素ａ质量浓度的最佳波段，
最后对太湖进行分区并应用ＭＤＳ数据建立了各分区的估测ＯＩ
模型．
１数据获取和光谱分析
叶绿素ａＣｌ是水质监测的重要参数之一，（ｈ）ａ其质量浓度是湖泊富营养化的重要标志．常规的叶绿素ａ
质量浓度测定方法是现场取样、实验室测试．这种方法耗时费力，以对大面积水域进行同步测试．难遥感技术则具有监测范围广、速度快、成本低和便于进行长期动态监测的优势。随着光谱技术的发展，中分辨率成像光
摘要：以太湖为研究区域，测试水体的反射光谱和表层水质并分析叶绿素的光谱特征，比ＭＤＳ对ＯＩ波段并找出与叶绿素ａ质量浓度相关性较好或对叶绿素ａ质量浓度变化较为敏感的波段。根据主
成分变换后的ＭＤＳ图色调对太湖进行分区并分别用主成分ＯＩ像单波段及波段组合因子建立各区
光谱测量采用美国ＡＤ公司生产的ＦｌＳｅｒＦＳｉｄｐｃｏＲ便携式分光辐射光谱仪．ｅ ①Ｐ测量时取波段范围为３０１５ｒ波长采样间隔为１ｍ．５００ｍ，ｉ测量在船上进行，４ｒｉ钡量时间内天空基本无云，风力１２， — 级水面平静，标

基于环境一号卫星的太湖叶绿素a浓度提取

基于环境一号卫星的太湖叶绿素a浓度提取旷达;韩秀珍;刘翔;詹雅婷;牛铮;王李娟【摘要】综合环境一号小卫星的CCD数据和同步地面水质监测数据,发现可见光红波段与近红外波段的波段组合与叶绿素a实测浓度存在较高相关性,并以此为基础建立了3个提取水体表层叶绿素a浓度的遥感信息模型.经验证分析,基于近红外波段与红波段比值的模型用于叶绿素a浓度反演提取的精度良好,RMSE达到了6.04mg/m3.将该模型应用于环境一号卫星CCD数据,生成了2009年5～12月共8幅太湖水体叶绿素a浓度分布图,并对其进行了时空分析,结果符合实际,并与以往的研究结果相一致.但模型不适用于水生植被覆盖较多区域叶绿素a浓度估算.【期刊名称】《中国环境科学》【年(卷),期】2010(030)009【总页数】6页(P1268-1273)【关键词】环境一号卫星;遥感;叶绿素a【作者】旷达;韩秀珍;刘翔;詹雅婷;牛铮;王李娟【作者单位】中国科学院遥感应用研究所,遥感科学国家重点实验室,北京,100101;中国科学院研究生院,北京,100139;中国气象局国家卫星气象中心,北京,100081;北京东方泰坦科技股份有限公司,北京,100083;南京信息工程大学气象灾害省部共建教育部重点实验室,江苏,南京,210044;中国科学院遥感应用研究所,遥感科学国家重点实验室,北京,100101;中国科学院遥感应用研究所,遥感科学国家重点实验室,北京,100101;中国科学院研究生院,北京,100139【正文语种】中文【中图分类】X87Abstract：In this study, models estimating water chlorophyll-a concentration have been proposed and calibrated, based on the regression analysis between HJ-1 satellite CCD images and synchronous in-situ water quality monitoring data, ranging from September to December in 2008 on Taihu, Jiangsu Province. The red and near infrared bands of HJ-1A and 1B CCD data, with central wavelength at 660 nm and 830 nm respectively, have shown to be sensitive to the chlorophyll-a concentration. Three models has been built and validated. The results illustrate the high potentials of the models to estimate chlorophyll-a concentration in inland waters for operational applications from satellite HJ-1 satellite CCD data, which will be of immense value for environment monitoring. Among the three models been proposed, the one based on index R830/R660has the highest estimation precision, 6.04mg/m3. This model has been applied to eight images of HJ-1 satellite CCD, generating chlorophyll-a concentration distributions from May to December 2009.Key words：HJ-1 satellite；remote sensing；chlorophyll-a目前,我国内陆江河湖泊水质监测和分析主要依赖于高精度的仪器进行周期性的实地监测以及实验室分析[1].这种监测方法耗费较多人力物力,易受气候和水文条件的限制,难以长时间跟踪监测,且较少的数据点难以反映湖泊的整体分布状况[2].从1978年美国NASA第一代水色遥感器CZCS到MODIS和MERIS,水体叶绿素a的遥感反演方法不断得到更新发展,精度逐渐提高[3].第一、二代水色卫星采用的反演方法主要是蓝绿辐亮度比值法.这种反演方法适合于悬浮泥沙和黄色物质含量较低的一类水体.但在二类水体,由于悬浮泥沙的后向散射和黄色物质的强吸收等因素,蓝绿比值法几乎不可用[4].从MODIS、MERIS开始,荧光遥感算法[5]成为二类水体叶绿素a浓度反演的重要方法,包括基线荧光高度法和归一化荧光高度法.这种方法有效地补充了蓝绿比值法的不足[6].但荧光遥感的应用也受到诸多因素的制约,如荧光遥感特征波段的选择、活体叶绿素荧光过程的复杂多变性以及荧光峰的“红移现象”等[4].为提高反演精度,需要研究利用新型传感器数据进行遥感监测的关键技术与方法,同时加强多种遥感数据之间的融合以及遥感数据同地面同步监测数据的结合[7].本研究探索利用新型卫星传感器环境一号卫星进行水体叶绿素a遥感定量反演方法,结合地面同步观测数据,发现第4波段与第3波段的比值R830/R660与叶绿素a浓度的对数值之间存在较高的相关性,并以此为基础建立了新的遥感信息模型.经验证,该模型的反演精度达到6.04mg/m3.将该模型应用到2009年5～12月的环境一号卫星CCD影像,得到太湖水体叶绿素a浓度的时空变化分布,对变化趋势进行了分析.1.1研究区域太湖是我国第三大淡水湖泊,位于长江流域下游,该区域城镇密集,城市化水平居全国之首[8].伴随着该地区高速发展的城市化进程,区域内的河流富营养化比较严重,水质属于II～V类,局部地区甚至为劣V类.1.2遥感数据2008年9月6日,我国“环境一号卫星A、B星以一箭双星的方式在太原卫星发射中心成功发射,并在9月8日开机成像.该卫星主要用于对生态破坏、环境污染和灾害进行大范围、全天候、全天时动态监测.环境一号卫星的CCD相机共分4个谱段,表2列出其主要技术指标.本研究所用到的环境一号卫星CCD数据是经过辐射校正、系统几何校正后的2级产品.建立回归模型所需数据以及模型验证数据涵盖从2008年9月19日月至12月15日的8个时相.用于生成2009年5～12月太湖水体叶绿素a浓度分布图的数据为8景环境一号卫星CCD数据,其影像采集时间涵盖8个月份.1.3地面实测数据所用地面实测数据来自于2008年《湖州市蓝藻监测报告》[9],由湖州市环境保护监测中心每天对若干个固定采样点的水质参数采样获得.地面采样时间一般为上午8:00～10:00,这恰好与环境一号卫星在太湖地区的过境时间相吻合.由表2可见卫星数据与地面采样数据的获取几乎同步,相差一般在2h以内.用到的7个地面采样点均分布于太湖南部(图1).由于大面积蓝藻覆盖水域不适合于水体叶绿素a浓度遥感建模,根据《湖州市蓝藻监测报告》[9]中的蓝藻爆发分布与天气信息,结合卫星影像上的云层覆盖信息,对获得的56个地面采样数据进行了适当剔除.例如,9月19日大钱港入湖口的地面实测点因为云层覆盖被剔除,9月23日长兴夹浦、长兴合溪、长兴兴塘3个实测点因为湖面覆盖大量蓝藻被剔除.对最终得到的43个有效地面采样点数据进行随机抽样,其中30个用于建立反演水体叶绿素a浓度值的遥感信息模型,其余13个用来评定模型精度.1.4遥感数据的预处理利用环境一号卫星CCD数据提取太湖表层水体叶绿素a浓度,首先需要对卫星影像进行几何精校正和大气辐射校正.1.4.1几何精校正从中国资源卫星应用中心获得的环境一号卫星CCD数据是经过系统几何畸变校正后的2级产品,只需对其进行几何精校正便能实现原始影像与参考图像的空间精确配准.选用经过空间配准的1:5 万地形图为参考图像,在ENVI 4.5支持下对环境一号卫星CCD影像进行几何精校正,图像重采样采用最近邻点法,总误差控制在0.5个像元内.1.4.2大气辐射校正相对于陆地,水体的反射率很低,入瞳辐亮度中有超过80%以上的能量来自大气的干扰信息[8],因此精确的大气校正是进行河流表层叶绿素a浓度定量反演所必须的关键步骤.采用ENVI 4.5软件下的FLAASH大气校正模块对环境一号卫星CCD数据进行大气校正.输入相关参数,计算得到大气校正后的反射率图像.1.5遥感信息模型的建立1.5.1单波段方法利用SPSS 13.0对环境一号卫星CCD的4个波段反射率与叶绿素a浓度进行皮尔逊相关性分析.结果表明,除在第1波段475nm与叶绿素a浓度的相关系数相对较高以外,其他3个波段反射率与叶绿素a浓度的相关系数普遍较低,分别为-0.194,0.253,0.359.第1波段475nm反射率与叶绿素a浓度的皮尔逊相关系数达到了0.533,但相关程度仍不高.这可能是由于太湖的悬浮物浓度较高,而悬浮物的高反射率掩盖了水体中的叶绿素信息[10].因此,利用环境一号卫星CCD的单波段建立估算水体叶绿素a浓度的模型是不适合的.1.5.2多波段方法研究表明,采用多波段反射比可以部分消除水表面光滑度和微波随时间和空间变化的干扰,并在一定程度上减小其他污染物的影响[11].在以往运用遥感手段提取叶绿素a浓度的研究中,一种常用的方法是采用各种波段比值法和波段回归法扩大叶绿素a吸收峰与叶绿素a反射峰或荧光峰间的差异,以达到提取叶绿素a浓度的目的[12].雷坤[13]利用中巴地球资源1号卫星对太湖表层水体进行水质遥感监测,认为近红外波段是提取叶绿素含量的关键波段,联合红波段建立了反演叶绿素a浓度的双波段模型.吕恒等[2]分析3TM数据与准实时地面采样数据,发现TM3/(TM1+TM4)与叶绿素a浓度的相关性最好,并以此建立了太湖叶绿素a浓度的三波段线性反演模型.戴永宁等[14]以巢湖水体为例,利用624nm附近藻胆素和706nm附近叶绿素a的吸收峰建立了反演叶绿素a浓度的双波段反演模型.可见,可见光红波段和近红外波段是反演叶绿素a浓度的常用波段.为寻找环境一号卫星CCD反演水体叶绿素a浓度的最佳波段组合,在SPSS 13.0支持下对各波段灰度值进行比值变换、指数变换和对数变换等多种非线性变化和组合,分析了15种不同波段组合及其第一主成分与叶绿素a浓度之间的相关关系.结果表明,研究区域叶绿素a浓度的对数值和第4与第3波段的组合B4/B3的相关系数最高,为0.85(图2).其余波段组合相关系数较高的有(B4-B3)/(B3+B4)和B3/(B1+B4),分别为0.8和0.78.将各个因子作为自变量与水体叶绿素a浓度值进行回归分析,建立反演水体叶绿素a遥感信息模型.将模型计算所得结果与地面实测采样点数据进行统计分析,若合理并满足精度则将结果输出,否则重新分析,直到建立满足精度要求的模型,并对建立的若干个遥感模型进行对比分析.最终得到3个叶绿素a遥感信息模型,见式(1)～(3).从建立的遥感信息模型可以看出,环境一号卫星CCD第3和第4波段灰度值与水体叶绿素a浓度值关系密切,是反演水体叶绿素a浓度的关键波段.基于B4/B3因子的模型(模型1):基于(B4-B3)/(B3+B4)因子的模型(模型2):基于B3/(B1+B4)因子的模型(模型3):式中:C为叶绿素a浓度,mg/m3;RB1,RB3,RB4分别为环境一号卫星CCD第1、3和4波段反射率.2.1模型精度验证将建立的3个遥感信息模型应用于环境一号卫星CCD数据,得到叶绿素a浓度模型预测值,再和地面采样实测数据进行对比分析.用于验证数据的13个地面采样数据的叶绿素a浓度实测值为2.13～82.2mg/m3,平均浓度值为18.19mg/ m3.3个模型的预测结果与实测叶绿素a浓度的误差均方根分别为6.04,19.30,16.02mg/m3. 相对于平均浓度18.19mg/m3,模型的预测值误差均较大,尤其是模型2和模型3的预测精度很低.进一步分析可知,误差主要来源于个别叶绿素a浓度值极高的采样点.例如,7号采样点的叶绿素a浓度实测值为82.2mg/m3,3个模型预测值的平均误差为40.69mg/m3.造成这种高浓度叶绿素a估算精度较低的主要原因,可能是由于地面采样数据主要在秋冬季节采集,水体叶绿素a浓度较春夏季偏低,造成建立的遥感信息模型对高浓度叶绿素a不够敏感.此外,内陆水体受人工和自然影响较多,在地理位置偏移较小的情况下可能有较大的叶绿素a浓度变化梯度,导致实测数据点并不能有效代表所在区域内的平均浓度值.叶绿素a浓度值较高的区域经常漂浮大量水生植物,这也可能在一定程度限制应用遥感数据估算水体叶绿素a浓度的精度. 若剔除7号点,剩余的12个采样点的叶绿素a浓度平均值为12.86mg/m3,3个模型的预测值误差均方将分别降低至5.02,8.99,9.78mg/m3.由此可以得出,在对叶绿素a浓度偏低和中等的水体进行估算时,模型1相对模型2和模型3具有更高的精度.2.2太湖水体叶绿素a浓度变化分析利用遥感图像处理软件ENVI 4.5与ArcGIS 9.1,将建立的模型1应用于2009年5～12月的8景环境一号卫星CCD影像,得到该时期太湖表层水体的叶绿素a浓度分布图(图3).从时间上分析,该区域水体的叶绿素a浓度从6月份开始上升,在9～10月达到浓度峰值,12月份恢复较低水平.从地理上分析,7～8月的高叶绿素a浓度水域主要分布在沙塘港附近以及新塘北部水域.9～10月,在太湖西北部的沙塘港水域叶绿素a浓度进一步增高,并呈现往东部的焦山和拖山区域转移的趋势.同一时期,太湖东南部水域出现了极高的叶绿素a浓度分布.11月份,整个太湖水体叶绿素a开始下降,高浓度水域主要分布于西北部沙塘港和东南部水域.叶绿素a浓度在12月份进一步降低,平均浓度低于10mg/m3.总体上,太湖水体叶绿素a浓度呈现北部和东部较高、西南部和湖心较低的分布,这与以往的研究结果相一致[13].太湖的主要污染物来自西北部的常州市与北部无锡市的城市河道以及排污口,造成对应区域的富营养化与叶绿素a浓度偏高.值得注意的一点是,东太湖是典型的草型湖泊,平均水深仅1.2m,是太湖的主要出水通道,淤积较为严重,在夏秋季节水生植被覆盖率达96%[15].从2009年5～12月的叶绿素a浓度分布图(图3)上看,与太湖其他区域相比,东太湖的叶绿素a浓度始终呈现相对较高的水平.这种现象很可能是受该区域丰富的水生植物所致,并不能准确表征该区域水体的叶绿素a浓度信息.由此可见,建立的遥感信息模型对于覆盖有大量水生植被的水体是不适用的.此外,湖流、水深、水温等也会影响蓝藻的生长[16],从而影响水体的叶绿素a浓度分布.2.3与其他卫星传感器的对比分析除了环境一号卫星以外,已经有一些卫星传感器用于相关研究,并得到较好的结果.宋瑜等[3]采用MERIS数据对太湖叶绿素a进行反演研究,利用归一化荧光高度与叶绿素a浓度线性回归建立模型,结果基本上反映出太湖北部水体的叶绿素a浓度分布格局.然而,在太湖南部水陆过渡带,MERIS产品数据出现异常值,限制了其在内陆大型湖泊水质状况反演研究中的应用.马荣华等[17]结合Landsat ETM与实测光谱估测太湖叶绿素,利用ETM3/ETM1与叶绿素浓度值之间的函数关系建立了反演模型,均方根误差为12.34mg/m3.张玉超等[18]将支持向量机的方法应用于MODIS 数据太湖叶绿素a非线性反演中,发现其对低值和高值均有较好的预测精度,平均相对误差仅为15.91%.与这些卫星传感器相比,本研究利用环境一号卫星数据用于叶绿素a浓度反演的精度略微偏低.究其原因,可能包含多个方面,如特征波段的选择,反演算法的设计,地面实测数据,国内自主研制的传感器硬件参数,都可能对反演结果产生影响.随着环境一号卫星的研究应用逐渐推开,其在水质遥感方面的反演方法和模型将进一步完善.此外,相对其他卫星传感器,由于环境一号卫星是我国自主设计生产,数据订购和获取较为方便,利于研究和应用工作的开展.3.1利用我国自主研制的环境一号卫星CCD数据进行水体表层叶绿素a浓度提取,可以获得较高的反演精度.3.2环境一号卫星CCD数据的各个波段中,第3和第4波段与叶绿素a浓度值具有最高的相关性,是反演水体叶绿素a浓度的最佳波段.3.2对于覆盖有大量水生植被的水体,不适合采用遥感信息模型反演水体叶绿素a浓度.[1] 王孝武,孙水裕.基于TM数据和ANN的河流水质参数监测研究 [J]. 环境工程学报, 2009,3(8):1532-1536.[2] 吕恒,江南,罗潋葱.基于TM数据的太湖叶绿素A浓度定量反演 [J]. 地理科学, 2006,26(4):473-476.[3] 宋瑜,宋晓东,郭照冰,等.利用MERIS产品数据反演太湖叶绿素a浓度研究 [J]. 遥感信息, 2009,(8):19-24.[4] 邢天罡,赵冬至,刘玉光,等.叶绿素a荧光遥感研究进展 [J]. 遥感学报,2007,11(1):137-145.[5] Neville R A, Gower J F R．Passive remote sensing of phytoplankton via chlorophyll fluorescence [J]．Journal of Geophysical Research,1977,82:3487-3493.[6] Gordon H R. Diffuse reflectance of the ocean: The theory of its augmentation by chlorophyll-a fluorescence at 685nm [J]. Applied Optics, 1979,18:1161-1166.[7] 宋瑜,宋晓东,江洪.太湖藻类的遥感监测研究 [J]. 遥感信息, 2008,(4):102-109.[8] 杨一鹏,王桥,肖青,等.基于TM数据的太湖叶绿素a浓度定量遥感反演方法研究 [J]. 地理与地理信息科学, 2006,22(2): 5-8.[9] 湖州市环境保护监测中心.2008年《湖州市蓝藻监测报告》 [R]. 2008.[10] Bhargava D S, Mariam D W. Light penetration depth, turbidity and reflectance related relationship and models [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 1991,46(4):217-230.[11] Koponen S, Pulliainen J, Kallio K, et al. Lake water quality classification with airborne hyperspectral spectrometer and simulated MERIS data [J]. Remote Sensing of Environment, 2002,79:51-59.[12] 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, 2006,27(3):503-507.[13] 雷坤,郑丙辉,王桥.基于中巴地球资源1号卫星的太湖表层水体水质遥感 [J]. 环境科学学报, 2004,24(3):376-380.[14] 戴永宁,李素菊,王学军.巢湖水体的表观光学特性测量与分析[J]. 中国环境科学, 2008,28(11):979-983.[15] 李文朝,陈开宁,吴庆龙,等.东太湖水生植物生物质腐烂分解实验 [J]. 湖泊科学, 2001, 13(4):331-335.[16] 杜聪,王世新,周艺,等.应用遥感数据评价蓝藻水华对太湖取水口的影响. [J]. 中国环境科学, 2009,29(10):1041-1046.[17] 马荣华,戴锦芳.结合Landsat ETM与实测光谱估测太湖叶绿素及悬浮物含量. [J]. 湖泊科学, 2005,17(2):97-103.[18] 张玉超,钱新, 钱瑜,等.支持向量机在太湖叶绿素a非线性反演中的应用. [J]. 中国环境科学, 2009,29(1):78-83.致谢：本文的地面采样数据由湖州市环境保护监测中心提供,在此表示感谢.【相关文献】[1] 王孝武,孙水裕.基于TM数据和ANN的河流水质参数监测研究 [J]. 环境工程学报,2009,3(8):1532-1536.[2] 吕恒,江南,罗潋葱.基于TM数据的太湖叶绿素A浓度定量反演 [J]. 地理科学, 2006,26(4):473-476.[3] 宋瑜,宋晓东,郭照冰,等.利用MERIS产品数据反演太湖叶绿素a浓度研究 [J]. 遥感信息, 2009,(8):19-24.[4] 邢天罡,赵冬至,刘玉光,等.叶绿素a荧光遥感研究进展 [J]. 遥感学报, 2007,11(1):137-145.[5] Neville R A, Gower J F R．Passive remote sensing of phytoplankton via chlorophyll fluorescence [J]．Journal of Geophysical Research, 1977,82:3487-3493.[6] Gordon H R. Diffuse reflectance of the ocean: The theory of its augmentation by chlorophyll-a fluorescence at 685nm [J]. Applied Optics, 1979,18:1161-1166.[7] 宋瑜,宋晓东,江洪.太湖藻类的遥感监测研究 [J]. 遥感信息, 2008,(4):102-109.[8] 杨一鹏,王桥,肖青,等.基于TM数据的太湖叶绿素a浓度定量遥感反演方法研究 [J]. 地理与地理信息科学, 2006,22(2): 5-8.[9] 湖州市环境保护监测中心.2008年《湖州市蓝藻监测报告》 [R]. 2008.[10] Bhargava D S, Mariam D W. Light penetration depth, turbidity and reflectance related relationship and models [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 1991,46(4):217-230.[11] Koponen S, Pulliainen J, Kallio K, et al. Lake water quality classification with airborne hyperspectral spectrometer and simulated MERIS data [J]. Remote Sensing of Environment, 2002,79:51-59.[12] 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,2006,27(3):503-507.[13] 雷坤,郑丙辉,王桥.基于中巴地球资源1号卫星的太湖表层水体水质遥感 [J]. 环境科学学报, 2004,24(3):376-380.[14] 戴永宁,李素菊,王学军.巢湖水体的表观光学特性测量与分析[J]. 中国环境科学,2008,28(11):979-983.[15] 李文朝,陈开宁,吴庆龙,等.东太湖水生植物生物质腐烂分解实验 [J]. 湖泊科学, 2001,13(4):331-335.[16] 杜聪,王世新,周艺,等.应用遥感数据评价蓝藻水华对太湖取水口的影响. [J]. 中国环境科学, 2009,29(10):1041-1046.[17] 马荣华,戴锦芳.结合Landsat ETM与实测光谱估测太湖叶绿素及悬浮物含量. [J]. 湖泊科学, 2005,17(2):97-103.[18] 张玉超,钱新, 钱瑜,等.支持向量机在太湖叶绿素a非线性反演中的应用. [J]. 中国环境科学, 2009,29(1):78-83.致谢：本文的地面采样数据由湖州市环境保护监测中心提供,在此表示感谢.Quantitative estimation of Taihu chlorophyll-a concentration using HJ-1A and 1B CCD imagery.KUANG Da1,2, HAN Xiu-zhen3*, LIU Xiang4, ZHAN Ya-ting5, NIU Zheng1, WANG Li-juan1,2(1.State Key Laboratory of Remote Sensing Science, Institute of Remote Sensing Applications, Chinese Academy of Sciences, Beijing 100101, China；2.Graduate University of Chinese Academy of Science, Beijing 100049, China；3.National Satellite Meteorological Center, China Meteorological Administration, Beijing 110008, China；4.Beijing Oriental Titan Technology Corporation, Beijing 100083, China;5. Key Laboratoryof Meteorological Disaster, Ministry of Education, Nanjing University of Information Science and Technology, Nanjing 210044, China). China Environmental Science, 2010,30(9)：1268～1273。

遥感技术监测水体叶绿素a含量的研究进展

遥感技术监测水体叶绿素a含量的研究进展杨玉敏;赵俊;王晓珂;张少丹【摘要】随着环境水体污染和富营养化问题日显突兀,有效开展水体的水质监测是水体污染综合治理的基础,因此必须加强对水体水质的监测,其中叶绿素a是水体污染和富营养化程度高低的重要标志.遥感监测方法高效、快速地探测水体的污染物迁移,实现了水体的大范围实时监测,因此遥感技术的应用及研究对完善和提高水体水质监测能力具有十分重要的研究意义.针对遥感技术监测水体叶绿素a (Chl-a)含量的相关课题,从选题背景、研究意义、水质遥感技术监测Chl-a含量的原理、监测方法、所面临的问题等方面,阐述了遥感技术在监测水体Chl-a含量的研究进展,提出了目前所面临的问题,并进一步对遥感技术监测水体Chl-a含量的研究进展进行了展望.%With the increasing environmental pollution, water pollution and eutrophication problems are become more and more obvious, so it is necessary to strengthen water monitoring and water pollution control. Effective water quality monitoring is the basis of eutrophied water treatment. Chlorophyll-a is an important indicator of the level of water pollution and eutrophication. Remote sensing monitor can inspect pollutants migration, and a wide range of real-time monitoring of water can be achieved by remote sening. The application and research of remote sensing technology are of a great significance to the water quality monitoring. In this paper, we investigate the background, the principle and progress of remote sening monitoring technology. Meanwhile, the research progress of remote sensing technology is expounded, and theproblems are put forward, and the developments of monitoring the content of Chl-a in water by remote sensing technology are discussed.【期刊名称】《安徽化工》【年(卷),期】2018(044)003【总页数】3页(P1-3)【关键词】遥感;叶绿素a;监测;水体【作者】杨玉敏;赵俊;王晓珂;张少丹【作者单位】邢台学院,河北邢台054001;邢台学院,河北邢台054001;邢台学院,河北邢台054001;邢台学院,河北邢台054001【正文语种】中文【中图分类】X87水是生命之源，是人类赖以生存和发展的基础。

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。

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。

夏季太湖叶绿素a浓度的高光谱数据监测模型

夏季太湖叶绿素a浓度的高光谱数据监测模型韦玉春;黄家柱;李云梅;光洁【期刊名称】《遥感学报》【年(卷),期】2007(011)005【摘要】In this paper, a new hyperspectral data model that estimates chlorophyll-a concentration (Chla) in Taihu Lake of summer is proposed. The model was developed based on measurement in situ in July 2004,and was validated by hyperspectral data in August 2004. Water samples were collected by Wuxi Taihu Lake Environment Monitoring Station and covered the typical water areas. At each site, hyperspectral data were measured ten times by field spectroradiometer ASD FieldSpec, and were converted into remote sensing reflectance. Different band combinations were calculated and compared, and the normalized band index was selected because it is more explicable. The model built by data in July 2004 isChla(μg/L)=EXP(2.478+16.378*N66),where N66 is (R696-R661)/(R696+R661). Goodness-of-fit statistics of the model R2 is0.9051,and p＜0.0001. Compared with other models,this one is more stable,and is of less absolute error when used to estimate Chla in August 2004. The works in the paper also showed that hyperspectral data model can be used to estimate Chla by month in the summer of Taihu Lake.%本文依据2004年7月的实测数据构建了太湖夏季叶绿素a浓度的实测光谱数据估计模型,并使用2004年8月的数据对模型进行了验证.调查样点覆盖了太湖内的典型水域,水样数据由无锡太湖环境监测站采集.样点的光谱数据用ASD FieldSpec野外光谱仪获取,每个样点测量10次,测量结果被转换为遥感反射率.对不同的波段组合进行比较分析后,从可解释性出发,最终选择了归一化指数表达式作为最佳波段组合,所建立的模型为:Chla(μg/L)=EXP(2.478+16.378*N66),其中,N66为(R696-R661)/(R696+R661).模型的R2为0.9051,显著性p＜0.0001.与其他模型相比,本文的模型比较稳健,用于估计8月的叶绿素a浓度具有较小的绝对误差.本文的工作同时表明,在太湖的夏季相邻月份,可以使用实测光谱数据模型进行水体叶绿素a浓度的估计.【总页数】7页(P756-762)【作者】韦玉春;黄家柱;李云梅;光洁【作者单位】南京师范大学,虚拟地理环境教育部重点实验室,南京,210046;南京师范大学,虚拟地理环境教育部重点实验室,南京,210046;南京师范大学,虚拟地理环境教育部重点实验室,南京,210046;南京师范大学,虚拟地理环境教育部重点实验室,南京,210046【正文语种】中文【中图分类】TP79【相关文献】1.贵州百花湖叶绿素a高光谱监测模型研究 [J], 吴廷宽;贺中华;梁虹;向尚;杨世凡2.太湖水体藻类叶绿素浓度高光谱遥感监测研究 [J], 刘剋;黄家柱;张强3.应用水表面下辐照度比估测太湖夏季水体叶绿素a浓度 [J], 孙德勇;李云梅;乐成峰;龚绍琦;伍蓝4.基于TM影像的太湖夏季悬浮物和叶绿素a浓度反演 [J], 李云亮;张运林5.基于穷举法的鄱阳湖叶绿素a浓度高光谱反演模型与应用研究——以GF-5卫星AHSI数据为例 [J], 韦安娜;田礼乔;陈晓玲;余永明因版权原因，仅展示原文概要，查看原文内容请购买。

《河海大学学报(自然科学版)》2007年总目次

维普资讯
《河海大学学报（自然科学版）２０｝０７年总目次
Ｉ
《河海大学学报（自然科学版）２ｏ》ｏ７年总目次
（号内数字依次为期号，括页码）
红壤坡地不同覆盖措施的水土保持效益分析 ……………………………… …… …………… 张展羽，国华，张左长清，（，１）等１重力坝地震波动的时域数值分析……… ……………………………… …… ……………………………… 贺向丽，同春（，５）李１刘家峡水电厂空耗水量的计算及考核 ……………………… …… ……………………………… 燕爱玲，黄强，刘招（，１１０）岔管流动的数值模拟 …… …… ……………………………… …… ……………………………… 董壮，罗龙洪，郑福寿（，１１４）泄洪洞中墩水翅现象的试验研究 …………………………… …… ……………………………… 纪伟，吴建华，阮仕平（，８）１１人工神经网络在水泵性能预测中的应用 ……………………………… ………………………… 葛强，徐俩俩，小汇（，２）段１２大坝安全监测系统硬件集成研究及应用 ………… …… ………………………………… …… 王平，童颢，贾化萍，１２等（，６）地下厂房岩壁吊车梁的力学分析及设计 ……………… …………………………………………… ……… 陆晓敏，刘春霞（，０）１３含磁流变阻尼器的框架结构控制研究 ………………… ……………………………………… 周星德，中文，郜潘瑞鸿，１３等（，５）非稳定渗流作用的岩体边坡稳定非连续变形分析 ……………… ……………………………… 沈振中，姜媛媛，王金男（，９）１３

叶绿素a荧光遥感研究进展

叶绿素a荧光遥感研究进展邢小罡;赵冬至;刘玉光;杨建洪;沈红;赵玲;王林【期刊名称】《遥感学报》【年(卷),期】2007(011)001【摘要】继叶绿素a反演的"蓝绿比值法"后,叶绿素a荧光遥感成为海水叶绿素a 浓度反演的重要方法,对提高二类水体和赤潮水体的叶绿素a浓度的反演精度效果明显.本文回顾了人们对水体叶绿素a荧光的认识、测量和研究的历史过程,介绍了荧光产生的生物学机理以及它随叶绿素a浓度的正相关和"红移现象"等主要光谱特征.本文还总结了荧光量子产量、不同藻种生理状态、水体其他物质及大气的吸收等多种因素对叶绿素a荧光遥感的影响.基于对叶绿素a荧光光谱特征和影响因素的认识,人们相继建立了两种荧光遥感方法--基线荧光高度法和归一化荧光高度法.对于前景广阔的叶绿素荧光遥感领域,人们正进行着更深入的研究与探索,积累更多的现场数据和卫星同步数据,逐步完善和改进反演模型.【总页数】8页(P137-144)【作者】邢小罡;赵冬至;刘玉光;杨建洪;沈红;赵玲;王林【作者单位】中国海洋大学,物理海洋研究所,山东,青岛,266100;国家海洋环境监测中心,辽宁,大连,116023;国家海洋环境监测中心,辽宁,大连,116023;中国海洋大学,物理海洋研究所,山东,青岛,266100;国家海洋环境监测中心,辽宁,大连,116023;国家海洋环境监测中心,辽宁,大连,116023;大连海事大学,环境科学与工程学院,辽宁,大连,116026;国家海洋环境监测中心,辽宁,大连,116023;国家海洋环境监测中心,辽宁,大连,116023;大连海事大学,环境科学与工程学院,辽宁,大连,116026【正文语种】中文【中图分类】TP79【相关文献】1.植物叶绿素荧光遥感研究进展 [J], 张永江;刘良云;侯名语;刘连涛;李存东2.大气CO2卫星遥感中植物叶绿素荧光影响的校正 [J], 叶函函;王先华;李勤勤;王晓迪3.基于叶绿素荧光遥感监测的蒙古高原草地生产力时空动态分析 [J], 李月;孙政国4.基于反射光谱和叶绿素荧光数据的作物病害遥感监测研究进展 [J], 竞霞;邹琴;白宗璠;黄文江5.日光诱导叶绿素荧光遥感探测的研究进展 [J], 梁寅;李军营;张云伟因版权原因，仅展示原文概要，查看原文内容请购买。

基于分段协同模型的内陆水体叶绿素a浓度遥感监测方法[发明专利]

[19]中华人民共和国国家知识产权局[12]发明专利申请公布说明书[11]公开号CN 101477036A[43]公开日2009年7月8日[21]申请号200910000450.X [22]申请日2009.01.13[21]申请号200910000450.X[71]申请人中国科学院遥感应用研究所地址100101北京市朝阳区北辰西路1号[72]发明人周艺王世新阎福礼王丽涛杜聪 [51]Int.CI.G01N 21/31 (2006.01)权利要求书 1 页说明书 3 页附图 1 页[54]发明名称基于分段协同模型的内陆水体叶绿素a浓度遥感监测方法[57]摘要本发明针对叶绿素a浓度的遥感监测技术中的缺陷和不足，提供一种能够兼具叶绿素a水体光学物理机制能够定量理论分析的优点和统计相关模型计算简单、精度高的优点。

其特征在于该方法包括如下单元：阈值确定单元、分段协同模型单元、模型联结单元以及模型计算单元四个单元，由上述四个单元共同组成的技术方法，可有效提高遥感数据对于叶绿素a反演精度。

200910000450.X权利要求书第1/1页 1、一种基于分段协同模型的水体叶绿素a浓度遥感监测方法，其特征在于该方法包括如下单元：阈值确定单元、分段协同模型单元、模型联结单元以及模型计算单元四个单元，由上述四个单元共同组成的技术方法，可有效提高遥感数据对于叶绿素a反演精度；所述阈值确定单元主要包括利用水体组分固有光学特性数据和实测光谱数据、卫星遥感光谱模拟水体组分光谱，通过测定的浮游藻类叶绿素a的吸收特性，厘定叶绿素a吸收和后向散射随波长和浓度变化的规律，并确定吸收特性随浓度变化的跃迁和突变位置及其在光谱反射率的光谱响应规律，确定光学特性突变的位置和光谱反射率指标，确定浓度及其对应的反射率阈值；所述分段协同模型单元主要包括，根据阈值单元确定的定量指标，利用光谱反射率和叶绿素a浓度值建立不同的叶绿素a浓度反演模型，并进行模型验证和算法优化，确定不同浓度段的反演精度和算法计算效率；所述模型联结单元主要包括，对分段协同模型单元给定的两个或者两个以上的叶绿素a 计算模型，通过建立联结算法，将多个模型联结成为一个连续的计算模型，所述模型计算单元为利用建立的连续模型，对输入的遥感数据，进行模型应用，计算并得到空间上的叶绿素浓度数值。

bd叶绿素a遥感最佳波段选择与模型研究

索取号：丝鲣盟量堑王一密级：—ｊＬ—珏—一南京师勉犬掌硕士学位论文匿基于水面实测光谱的太湖水体叶绿素ａ遥感最佳波段选择与模型研究*者：院系：指导教师：学科专业：答辩日期：***地理科学学院查勇教授地图学与地理信息系统２００６年４月本页已使用福昕阅读器进行编辑。

摘要摘要本文分析了水体光谱信号的组成，以及传统垂直水面光谱测量存在的弊端，采用倾斜测量法，于２００４年６月、７月和８月，在太湖进行了三次水面光谱测量和同步水质采样，通过计算分析，得到了水体的离水辐亮度和遥感反射率。

基于太湖水体三个月的遥感反射率数据，分别进行了归一化处理和一阶微分处理，从敏感波段的选择、模型的建立和模型精度分析等方面对叶绿素ａ浓度的反演模型作了深入细致的分析。

然后，通过对不同波段宽度水体归一化遥感反射率的计算，分析不同波段宽度下叶绿素ａ浓度反演的敏感波段及其预测水平。

研究结论如下：（１）通过对倾斜测量法得到的遥感反射率光谱和垂直测量法得到的相对反射率光谱的对比分析，发现计算得到的遥感反射率光谱在７１９ｎｍ和７２５ｎｍ处存在两个峰，其中７１９ｎｍ处的峰更明显且稳定，并且不会因叶绿素ａ浓度的变化而偏移；（２）以归一化遥感反射率数据为基础，通过对叶绿素ａ浓度反演模型的对比分析，发现用７１９ｒｉｍ和７２５ｎｍ两个峰值处的遥感反射率参与建模会提高叶绿素ａ的反演精度。

然后，通过对模型精度的对比分析，认为利用遥感反射率比值变量Ｒ７１９ｎｍ／Ｒ６７０ｎｍ所建立的线性模型对叶绿素ａ浓度的反演精度较理想；（３）以遥感反射率数据的一阶微分处理结果为基础，通过对叶绿素ａ浓度反演模型的对比分析，发现用单波段变量建立的模型中指数模型较好，用两波段比值变量建立的模型中线性模型较好。

然后，通过对模型精度的对比分析，认为以比值变量Ｄ７００ｎｍ／Ｄ４７７ｎｍ建立的线性模型较理想：（４）通过对２５种不同波段宽度下归一化遥感反射率的计算及其和叶绿素ａ浓度之间相关系数曲线的研究，发现随着波段宽度的增大，最大相关系数呈减小的趋势，最大正相关波段有向长波方向移动的趋势，最大负相关波段有向短波方向移动的趋势。

基于两波段的内陆湖泊水体叶绿素a浓度遥感反演模型和方法[发明专利]

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202010638625.6(22)申请日 2020.07.06(71)申请人淮阴师范学院地址 223300 江苏省淮安市淮阴区长江西路111号(72)发明人姜晓剑　吴莹莹　朱元励　赵默　刘尔黛　(74)专利代理机构上海大视知识产权代理事务所(特殊普通合伙) 31314代理人顾小伟(51)Int.Cl.G01N 21/17(2006.01)G01N 21/31(2006.01)G01N 21/55(2014.01)(54)发明名称基于两波段的内陆湖泊水体叶绿素a浓度遥感反演模型和方法(57)摘要本发明提供一种基于两波段的内陆湖泊水体叶绿素a浓度遥感反演模型，该模型为：C＝10m*Index+n ，其中，C为反演的基于两波段的内陆湖泊水体叶绿素a浓度；其中，R 1为678nm波段处内陆湖泊水体的水体遥感反射比，R 2为724nm波段处内陆湖泊水体的水体遥感反射比；测量内陆湖泊水体的叶绿素a浓度C C h l a ，对叶绿素a 浓度进行如下计算：y ＝lg(C Chla )；使用Excel软件，以y和Index为变量，采用最小二乘法，确定y和Index之间的线性方程：y ＝m*Index+n，m和n分别为线性方程中的系数和常数项。

还提供了相关反演方法。

本发明的基于两波段的内陆湖泊水体叶绿素a浓度遥感反演模型能够减小计算结果误差，提高水体叶绿素a浓度的反演模型精度，设计巧妙，计算简便，易于实现，成本低，适于大规模推广应用。

权利要求书3页说明书9页附图3页CN 111781147 A 2020.10.16C N 111781147A1.一种基于两波段的内陆湖泊水体叶绿素a浓度遥感反演模型，其特征在于，所述的基于两波段的内陆湖泊水体叶绿素a浓度遥感反演模型为：C＝10m*Index+n，其中，C为反演的基于两波段的内陆湖泊水体叶绿素a浓度；其中，R1为678nm波段处所述内陆湖泊水体的水体遥感反射比，R2为724nm波段处所述内陆湖泊水体的所述水体遥感反射比；m和n采用如下方法确定：测量所述内陆湖泊水体的叶绿素a浓度C Chla：对所述叶绿素a浓度进行如下计算：y＝lg(C Chla)；使用Excel软件，以y和Index为变量，采用最小二乘法，确定y和Index之间的线性方程：y＝m*Index+n其中，m和n分别为所述线性方程中的系数和常数项。

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。

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。

太湖叶绿素a同化系统敏感性分析

太湖叶绿素a同化系统敏感性分析李渊;李云梅;吕恒;吴传庆;王珊珊;王永波【期刊名称】《湖泊科学》【年(卷),期】2015(000)001【摘要】Sensibility of the Lake Taihu chlorophyll-a assimilation system to different parameters directly control the accuracy of es-timate the chlorophyll-a concentration distribution when using this assimilation system .We used multispectral data of Environmen-tal Satellite 1(HJ-1), obtained on April 21st, 2009, combined with in situ data to retrieve the concentration of chlorophyll-a in Lake Taihu.We developed a Lake Taihu chlorophyll-a data assimilation system based on ensemble square root Klaman filter(En-SRF) technique.Take the retrieved chlorophyll-a concentration of Lake Taihu as the initial background value , then combined with the data assimilation system to analyze the influence of the ensemble size , the assimilation time , the background error, the observa-tion error and the model error on the assimilation system .The results indicate: taking the computing cost, time cost of system and the performance of the assimilation system into consideration , the assimilation system performs well when the ensemble size are 30 40; the assimilation system is not very sensitive to the accuracy of estimation of the background;both the observation and the model errors are very important for the performance of the system;different test stations havedifferent water dynamic properties , so they have different performance; the estimation of chlorophyll-a concentration can be improved by using the data assimilation method.%太湖叶绿素a同化系统对于不同参数的敏感性将直接影响到该系统能否精确的估算太湖叶绿素a的浓度分布。

%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

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)。

收稿日期:2006O 03O 07基金项目:国家自然科学基金资助项目(40671138);江苏省自然科学基金青年科技创新人才学术带头人项目(BK2004422);中科院领域前沿项目(CX NIG LAS O A02O 014)作者简介:王艳红(1974)),女,山西永济人,讲师,博士,主要从事水污染控制及水质遥感监测研究.基于分区的太湖叶绿素a 遥感估测模型王艳红1,2,马荣华3,邓正栋2(1.解放军理工大学气象学院,江苏南京 211101; 2.解放军理工大学工程兵工程学院,江苏南京 210007;3.中国科学院南京地理与湖泊研究所,江苏南京 210008)摘要:以太湖为研究区域,测试水体的反射光谱和表层水质并分析叶绿素的光谱特征,对比MODIS 波段并找出与叶绿素a 质量浓度相关性较好或对叶绿素a 质量浓度变化较为敏感的波段,根据主成分变换后的MODIS 图像色调对太湖进行分区并分别用主成分、单波段及波段组合因子建立各区内相应的叶绿素a 质量浓度估测模型.结果表明:对太湖合理分区可以提高叶绿素a 质量浓度的遥感估测精度;经过主成分变化后的第2主成分,MODIS 波段1,3~4,10~14的反射率及波段反射率组合可以较好地估测分区后的叶绿素a 质量浓度.关键词:太湖;反射光谱;MODIS 数据;叶绿素a;分区估测中图分类号:X87 文献标识码:A 文章编号:1000O 1980(2007)01O 0086O 06叶绿素a(Chla)是水质监测的重要参数之一,其质量浓度是湖泊富营养化的重要标志.常规的叶绿素a 质量浓度测定方法是现场取样、实验室测试.这种方法耗时费力,难以对大面积水域进行同步测试.遥感技术则具有监测范围广、速度快、成本低和便于进行长期动态监测的优势.随着光谱技术的发展,中分辨率成像光谱仪(MODIS)数据因具有光谱分辨率高、观测周期短、全球免费获取等优势,在遥感水质监测中受到越来越多的重视.MODIS 是一种综合探测器,它有36个观测通道,波谱为014~14L m,数据空间分辨率包括250m(1~2波段),500m(3~7波段)和1000m(8~36波段)3个尺度.与TM 和AVHRR 等光谱参数相比,MODI S 的光谱分辨率有了很大提高.国内外不少学者[1O 5]用MODIS 数据进行了近岸和内陆水质遥感监测方面的研究.太湖是中国第3大淡水湖,也是富营养化比较严重的湖泊之一.在对太湖水质遥感监测的研究中,基于图1 采样点分布Fig.1 Spatial distribution of sampling points实测光谱或遥感数据而建立的水质参数(大多为叶绿素和悬浮物)估测模型虽有较好的拟合度,但因测点局限于太湖某个区域或测点数量较少[6O 7],所得到的估测模型在全湖区的适用性值得商榷.另外,由于太湖水域面积大,水质分布极不均匀,对太湖进行分区可以提高水质参数的估测精度.为此,本文首先分析太湖水体实测光谱数据和叶绿素a 质量浓度的相关关系,然后对比MODIS 波段并找出能较好反演叶绿素a 质量浓度的最佳波段,最后对太湖进行分区并应用MODIS 数据建立了各分区的估测模型.1 数据获取和光谱分析1.1 数据获取2004年10月20~29日在太湖水面布设了67个采样点(图1),并进行了水面反射光谱测量和表层水质采样.所有采样点的叶绿素a 质量浓度均在1118~52144L g/L 之间,均值为14108L g/L.第35卷第1期2007年1月河海大学学报(自然科学版)Journal of Hohai University(Natural Sciences)Vol.35No.1Jan.2007光谱测量采用美国ASD 公司生产的Field Spec oR Pro FR 便携式分光辐射光谱仪.测量时取波段范围为350~1050nm,波长采样间隔为1nm.测量在船上进行,测量时间内天空基本无云,风力1~2级,水面平静,标准光纤探头距离水面112m 左右,测量时垂直于水面;测量时先导出离水辐射率L w ,水表面上总的入射辐照度E d (0+),再通过式R rs =L w /E d (0+)求得遥感反射率R rs .这种测量方法[8]有效地剔除了噪音特别是天空光信息的干扰,具有很高的精度.每个采样点至少测量15次,取平均值作为该点的反射光谱.64个采样点遥感反射率为有效数据.遥感同步数据选用2004年10月27日的MODIS TE RRA L1B 1km 数据.选取日期与水质观测同步,气象条件要求晴朗少云,能见度高.数据经过辐射校正和几何校正后求得各波段反射率[9].在内陆湖泊水质研究中,通常选择在可见光到近红外范围的波段能较好地反映水质参数,本文只选取MODIS 相对应的上述波段(波段1~4,8~19)来研究其与太湖叶绿素a 质量浓度的关系.图2 采样点16,43,21,40光谱曲线Fig.2 Spectral curves for sampling points 16,43,21,and 401.2 光谱分析为了分析叶绿素的光谱特征,提取4个典型特征采样点的光谱曲线(图2)进行比较分析.采样点16,43,21,40对应的叶绿素a 的质量浓度分别为33172L g/L,4187L g/L,52144L g/L,21116L g/L;悬浮物质量浓度分别为22148L g/L,23124L g/L,44112L g/L,44160L g/L.采样点16和43、采样点21和40的悬浮物(SS)质量浓度比较接近,而叶绿素a 的质量浓度相差很大.从图2可以看出,除叶绿素a 质量浓度很低的43号采样点外,其余采样点在波段677nm 附近出现谷值,在695nm 附近出现峰值.另外,比较采样点21和40,这2个点的悬浮物质量浓度仅相差0148mg/L,采样点21因叶绿素质量浓度较高,在波段440nm 处出现反射峰谷值,出现峰值的位置(波段706nm附近)滞后于采样点40的峰值位置(波段695nm 附近),峰值处反射率值也略高于采样点40的反射率峰值.可见,随着叶绿素质量浓度的提高,峰值位置有向长波方向增大的趋势.可以认为677nm 和695nm 是太湖水体叶绿素的敏感波段,波段695nm 附近反射峰位置也是考察水中叶绿素含量的重要参数.峰值、谷值位置与文献[6]的发现略有差异,这主要是由于不同采样时间内和地点的浮游植物组成差异引起的.图3 叶绿素a 与实测光谱反射率的相关关系以及与MODIS 波段的对比Fig.3 Correlation between Chla concentration and field spectral reflectivity and its comparison w ith MODIS bands再将64个采样点的反射率与叶绿素a 质量浓度进行相关分析,同时与MODIS 波段进行对比(图3).由于叶绿素在蓝紫光波段的吸收峰及溶解性有机质在该范围的强烈吸收,导致波段405~496nm 间的反射率较低,其间相关系数绝对值为0154~0167(对应MODIS 8,9,3,10波段).波段703~709nm 附近相关系数绝对值较高,为0164(没有MODIS 波段对应),波段738~874nm 相关系数在0144~0132之间(对应MODIS15,2,16波段).波段672~676nm(对应MODIS 1,13,14波段)和703~709nm 分别对应叶绿素的吸收峰和反射峰,这两处光谱反射率与叶绿素a 质量浓度的相关系数变化最迅速,对叶绿素质量浓度的变化最为敏感.另外,503~564nm(对应MODIS 11,12,4波段)反射率对叶绿素质量浓度的变化也较为敏感.2 太湖分区从以上光谱分析中可知,MODIS 多个波段处于与叶绿素相关性较好或者比较敏感的位置.但对MODIS 各波段对应采样点的反射率与叶绿素a 质量浓度的相关分析结果表明,各波段反射率与太湖叶绿素a 质量87第1期王艳红,等基于分区的太湖叶绿素a 遥感估测模型浓度的相关性很小.这主要是因为太湖湖域面积较大,不同湖区水质差别较大,分区可以提高估测精度.为此,先采用主成分分析法对MODIS 数据进行分析,以期得到合理的分区.2.1 MODIS 数据主成分分析及对太湖的分区本文用主成分分析法来处理MODIS 数据.经过对MODIS 数据的主成分分析,得到第1主成分(Z 1)、第2主成分(Z 2)的得分及累计贡献率(表1).因为前2个主成分的累加贡献率为88196%,故选取前2个主成分代替原来的16个波段.可以看出,第1主成分代表了近红外波段(B 2,B 15,B 16,B 17,B 18,B 19),第2主成分代表了可见光波段(波段B 1,B 3,B 4,B 9,B 10,B 13l o ,B 14l o ),其中波段13和14所占比重最大.但利用前2个主成分与叶绿素a 质量浓度进行相关分析时相关性都不好.图4为主成分变换后的MODIS 图像,变换后图像呈现明显的分区.根据色调对太湖进行分区,东太湖和沙墩港部分测点因异常而被剔除.分区结果为:1区:梅梁湾湖心、南太湖及部分东太湖(N =30,采样点为1,5,6,11,19,20,30~41,48~56,65~67);2区:太湖近北岸及近东岸区(N =30,采样点为2~4,8~10,12,14,18,22~29,42~47,57~62,64).表1 第1、第2主成分得分及累积贡献率Table 1 Coefficients of Z 1and Z 2and their cumulative contribution rates主成分得分B 1B 2B 3B 4B 8B 9B 10B 11B 12B 13loB 14loB 15B 16B 17B 18B 19累积贡献率/%Z 1010039014326-010*********010047010060010004-011211-01125801017501005301357701649401392401186701269364193Z 2-012145-010217-011611013244-010926-011317-011821-010*********-015878-016399-010*********010023-01003201002388196图4 主成分变换后的MODIS图像(主成分2)Fig.4 MOD IS image afterPC A (Z 2)2.2 各分区内实测光谱与叶绿素a 质量浓度的相关分析分区后发现1区叶绿素a 与悬浮物相关性不好(相关系数为0136),而2区叶绿素a 与悬浮物高度相关(相关系数为0176).有必要对各区叶绿素a 、悬浮物质量浓度与实测光谱的相关系数(图5)做进一步的分析.对比图3和图5可知:1区叶绿素a 相关系数曲线与原曲线形状有较大的不同,在可见光到近红外波段内数值上变化很小,仅在相对于叶绿素吸收位置695nm 附近和反射峰位置700nm 附近有些波动,相关系数也比悬浮物相关系数低;2区的叶绿素a 相关系数曲线在可见光波段与原曲线形状相似,在近红外波段与反射率的相关性很好(相关系数大于018),其中440nm 附近和677nm 附近相关系数降低的位置分别对应着叶绿素在蓝紫光波段和红光波段的吸收峰.可见叶绿素a 和悬浮物之间的相关性影响了各区叶绿素a 和实测光谱反射率的相关系数曲线.图5 各区内叶绿素a 、悬浮物与实测光谱反射率的相关关系及与MODIS 波段的对比F ig.5 C orrelations between C hla,SS concentrations and field spectral reflectivityand their com parison with MODIS bands in each subarea88河海大学学报(自然科学版)第35卷3 基于MODIS 数据的叶绿素a 分区估测模型3.1 基于MODIS 数据主成分分析的叶绿素a 质量浓度分区估测模型表2 叶绿素a 质量浓度与主成分的相关分析Table 2 Correlations between Chla concentrationand principal com ponents Z 1and Z 2主成分1区N =302区N =30Q (Chl a )ln [Q (Chla )/(L g #L -1)]Q (Chla )ln [Q (Chla )/(L g #L -1)]Z 10130301337-01214-01462-Z 2-01661--01776---01827---01684--注:--表示达到0101显著负相关;-表示达到0105显著负相关.对各区内Z 1和Z 2与叶绿素a 质量浓度进行相关分析(表2),表2说明Z 2与叶绿素a 质量浓度显著相关,Z 1与2区叶绿素a 质量浓度的自然对数显著相关.将各区的叶绿素a 质量浓度从大到小排列,每隔3个点取出1个点,即23个点用于建模,剩余7个点用于模型检验.式(1)和式(2)是以主成分为自变量建立的各区叶绿素a 质量浓度(L g/L)最佳估测模型.1区 ln [Q (Chla )/(L g/L )]=-01761-71325Z 2 (R 2=01635,S =31832)(1)2区 Q (Chla )/(L g/L )=-221986-1201166Z 2 (R 2=01641,S =41214)(2)3.2 基于MODIS 波段单波段及波段组合的叶绿素a 质量浓度分区估测模型根据以上分区结果,结合光谱分析结果,有选择性地进行波段组合,并将各分区内MODIS 单波段反射率、波段组合与叶绿素a 质量浓度进行相关分析,结果如表3所示.表3 叶绿素a 质量浓度与MODIS 单波段及波段组合的相关分析Table 3 Correlation between MODIS single band,band combinations and Chla concentration单波段1区2区ln [Q (Chla )/(L g #L -1)]Q (Chla )单波段1区2区ln [Q (Chl a )/(L g/L )]Q (Chla )B 80125901712++B 18-01129-01395-B 901413+01752++B 19-01113-01399-B 301493++01773++F 10118901736++B 1001566++01780++F 2-01157-01623--B 1101606++01763++F 30133901556++B 1201593++01754++F 401464+01768++B 401592++01754++F 501599++01757++B 101671++01772++F 601806++01729++B 13lo 01851++01730++F 701775++01778++B 14lo 01718++01621++F 801553++01699++B 1501294-01174F 901805++01702++B 201280-01289F 10-01812---01746--B 1601027-01362F 11-01773---01314B 1701110-01354F 1201838++01693++注:(a )++,--表示达到0101显著正、负相关;+,-表示达到0105显著正、负相关.(b )F 1=B 13-B 15;F 2=B 15/B 13lo ;F 3=B 15-B 16;F 4=(B 8+B 9+B 3+B 10)/4;F 5=(B 11+B 12+B 4)/3;F 6=(B 1+B 13lo +B 14lo )/3;F 7=(F 4+F 5+F 6)/3;F 8=F 5/F 4;F 9=F 6/F 4;F 10=F 4/(F 4+F 5+F 6);F 11=F 5/(F 4+F 5+F 6);F 12=F 6/(F 4+F 5+F 6).单波段反射率与叶绿素a 质量浓度的相关分析表明,MODIS 可见光波段(波段1,3~4,10~14)反射率与各区的叶绿素a 质量浓度均有显著性的相关性,近红外波段反射率与叶绿素a 质量浓度相关性不好,这与主成分的分析结果一致.1区叶绿素a 质量浓度的自然对数与波段13,14反射率相关性很好,相关系数分别为01851和01718;2区波段10反射率与叶绿素a 质量浓度的相关系数最高,达到01780.从波段组合与叶绿素a 质量浓度的相关分析得出:a.采用文献[4]所使用的波段组合(L 10-L 15)/(L 13-L 15),L 13-L 15,(L 11-L 15)/(L 12-L 15),L 15-L 16与叶绿素a 质量浓度进行相关分析,发现只有在2区B 13-B 15(F 1),B 15-B 16(F 3)与叶绿素a 质量浓度显著相关.b.应用实测光谱估测叶绿素时,比值法精度最高,但相对于叶绿素反射峰位置的MODIS 波段缺失.用B 15/B 13lo (F 2)代替反射率比值分析时发现F 2与2区叶绿素a 质量浓度相关性较好,与1区相关性不好,主要原因是1区B 13lo 几乎没有变化.c.波段1,3~4,8~14处于与叶绿素相关性较好或者比较敏感的位置,将这些波段反射率组合(F 4~F 12)与叶绿素a 质量浓度进行相关分析,发现除F 11(对2区)外其他波段组合与叶绿素a 质量浓度均有较好的相关性;F 12与1区叶绿素a 浓度自然对数的相关性最好,相关系数达到01838,这与文献[5]所得到的结论/MODIS 波段辐射率组合B 10/(B 1+B 10+B 11),ln [B 1/(B 1+B 3+B 4)]与巢湖叶绿素a 质量浓度和透明度的自然对数有显著的相关性0在波段位置上基本对应.2区可见光波段反射率的均值(F 7)与叶绿素质量浓度的相关系数最高,达01778.89第1期王艳红,等基于分区的太湖叶绿素a 遥感估测模型对1区大部分采样点来说,波段13,14反射率变化不大,不能明显地反映各点的质量浓度变化,故不选用B 13o ,B 14lo ,而选用B 1估测1区叶绿素a 的质量浓度.分别选取相关性最好的单波段及波段组合与各区叶绿素a 质量浓度进行回归分析,并采用y =a +b x 的形式导出了各区的最佳估测模型,见表4.表4 基于MODIS 单波段、波段组合的叶绿素a 质量浓度分区估计模型Table 4 Chla concentration estimation m odels for each subarea based on MODIS single band and band combination区号单波段波段组合因变量自变量R 2a b S 因变量自变量R 2a b S 1ln [Q (Chla )/(L g #L -1)]B 101476-0151525103041413ln [Q (Chla )/(L g #L -1)]F 1201734-11304101572313822Q (Chla )B 1001596-691346625147441600Q (Chla )F 701572-3213193611174417343.3 模型检验用7个检验点对以上各区由主成分、单波段及波段组合所得到的模型进行检验,得到叶绿素a 质量浓度实测值和估测值的散点图(图6).由图6可知,1区和2区所得到的模型离散程度类似,1区由B 1所得到的模型离散程度较大,2区叶绿素a 质量浓度小于7L g/L 时估测值偏高.总体来说,所有模型均有较好的精度.图6 1区和2区叶绿素a 质量浓度实测值和不同模型估测值散点图Fig.6 Scatter plot for measured data of C hla concentration and evaluated resultfor each subarea by use of different estimation models4 结语结合实测光谱和卫星影像对水质进行遥感监测可以互相补充,即水质参数的光谱特征是水质遥感监测的基础和依据.根据水质参数的光谱特征进行分析,可以减少遥感数据统计分析上的盲目性,提高水质参数的遥感监测估测精度.本文结合水面实测光谱和MODIS 数据,分析了太湖采样点叶绿素a 质量浓度与二者之间的关系,并得出如下结论:a.对太湖的合理分区可以提高叶绿素a 质量浓度的遥感估测精度.b.各区内可见光波段(波段1,3~4,10~14或Z 2)与各区的叶绿素a 质量浓度均有很好的相关性,适当的波段组合也可以提高模型估测精度.这说明MODIS 数据可见光波段在太湖叶绿素遥感分区监测上有较好的应用前景.参考文献:[1]HELLWEGER F L,SC HLOSSER P,LALL U,et e of satellite imagery for water quali ty s tudies in New York Harbor[J].Estuarine,Coastal and Shelf Science,2004,61(3):437O 448.[2]RIC HARD L M,BRENT A ing MODIS Terra 250m imagery to map concentrati ons of total suspended matter in coastal waters[J].Remote Sensing of Environment,2004,93(1O 2):259O 266.[3]OLMO G D,GITELSON A A,RUNDQUIS T D C,et al.Assessing the poten tial of Sea WiFS and MODIS for esti mating chlorophyllconcentration in turbid productive waters using red and near -infrared bands[J].Remote Sensing of Environment,2005,96(2):176O 187.90河海大学学报(自然科学版)第35卷[4]HARMA P,VEPSALAIEN J,HANNONEN T,et al.Detecti on of water quality using simulated satelli te data and sem -i empirical algorithmsin Finland[J].The Science of the Total Environment,2001,268(1O 3):107O 121.[5]吴敏,王学军.应用MODIS 数据遥感监测巢湖水质[J].湖泊科学,2005,17(2):109O 113.[6]刘堂友,匡定波,尹球.湖泊藻类叶绿素O a 和悬浮物浓度的高光谱定量遥感模型研究[J].红外与毫米波学报,2004,23(1):11O 15.[7]雷坤,郑丙辉,王桥.基于中巴地球资源1号卫星的太湖表层水体水质遥感[J].环境科学学报,2004,24(3):376O 380.[8]唐军武,田国梁,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,2004,8(1):37O 44.[9]蒋耿明,刘荣高,牛铮,等.MODIS 1B 影像几何纠正方法研究及软件实现[J].遥感学报,2004,8(2):157O 164.Regionalized RS estimation of chlorophyl-l a concentrationin Taihu LakeW ANG Yan -hong 1,2,MA Rong -hua 3,DENG Zheng -dong 2(1.Institute o f Meteorology ,P LA U niversity o f Science and Technology ,Nanjing 211101,China ;2.Engineering Institute o f Engineering Corps,PLA University o f Science and Technolo gy ,Nanjing 210007,China;3.Nanjing Institute o f Geography and Limnology ,Chinese Academy o f Sciences ,Nanjing 210008,China)Abstract:With Taihu Lake as the area of study,the reflection spectrum of water body and water quality of surface layer of Taihu Lake were detected,and the spectrum characteristics of chlorophyll were analyzed.B y comparison of MODIS bands,the bands which are of high correlation with or sensitive to the variation of chlorophyl-l a(Chla)concentration were selected.Then,Taihu Lake was divided into two subareas by principal c omponent analysis (PC A ),and Chla concentration estimation models for each subarea were developed based on principal components,MODIS single band,and band combination fac tors,respectively.The result shows that the rational regionaliza tion of Taihu Lake can improve the estimation precision of Chla concentration by RS,and that the Chla concentration of each subarea can be better evaluated by means of the sec ond principal component,the reflectivity of MODIS bands 1,3-4and 10-14,and their combinations.Key words:Taihu Lake;reflection spectrum;MODIS data;chlorophyl-l a;regionalized estimation91第1期王艳红,等基于分区的太湖叶绿素a 遥感估测模型。