八、高光谱遥感应用—水质参数反演

合集下载

高光谱遥感技术监测内陆水体氮磷中的应用

高光谱遥感技术监测内陆水体氮磷中的应用
1 遥感技术监测水体氮磷的基本原理
为水体内部散射的辐射 能,反 映 水 体 内 部 组 成;Lb 为 水 底 反 射 的 能量,反映水体底质特征。
采用水面以上测量法,光谱仪接收到的总信号 Lsw组成为: Lsw =Lw +rLsky+Lwc+Lg。
其中,Lw 进入水体又被水体散射回来进入仪器的辐射能,包 括水体内部散射和水底反射的辐射能、水面反射的辐射能;rLsky为 水面反射的能量,r为气—水界面反射率;Lwc为海面白帽的信息; Lg为水面波浪对太阳直射光的随机反射。
遥感技术监测水体氮磷,是运用遥感技术对海洋、内陆等水 2.2 高光谱数据采集器分类
体的氮磷成分开展探测与研究。水体中氮磷含量对太阳光的特
现阶段,国内外大 量 使 用 的 高 光 谱 数 据 采 集 器 分 两 类,分 别
定波长的吸收及反射特征与水体其他组分不同,并能经传感器捕 是成像光谱仪和非成像光谱仪。成像光谱仪主要运用于不同高
DongChangshuai GeYanhui LiuYoubo
(ShandongJiaotongUniversity,Jinan250357,China)
Abstract:Thispaperintroducestheparametersetting,measuringlinearrangementanddatacollectionofgeologicalradarinadvancegeological
关键词:高光谱遥感,氮磷,内陆水体
中图分类号:X832
文献标识码:A
水体氮磷含量是定义水质的重要指标之一,也是水体富营养 化的主要致因。传统的监测方法需对水样进行高温高压消解,费 时耗力[1],且传统的水质监测手段无法满足对于未知水域水质的 大面积、时效性的动态监测要求。

基于高光谱遥感技术的积水沉陷区水深反演模型的研究

基于高光谱遥感技术的积水沉陷区水深反演模型的研究

基 于 高 光 谱 遥 感 技 术 的 积 水 沉 陷 区 水 深 反 演 模 型 的 研 究
孟祥 来, 继文 , 朱 张 贺
( 龙江工程 学院 测绘工程学院 , 黑 黑龙 江 哈 尔滨 1 0 5 ) 50 0

要 : 光谱 遥感 是 当 前 内 陆水 监 测 的 一 个 重 要 发 展 趋 势 , 有 效 地 捕 捉 这 些 水 体 光 谱 信 息 的必 要 手 段 。 在 遥 感 高 是
图 1 不 同 叶 绿 素 浓 度 的 水 体 光 谱 曲 线
物浓 度相关 性较 高的波段 范 围为 : 悬 浮物浓 度水 低 体在 5 0 7 m 和 7 0 0 m 处 , 关 系数 的 5  ̄5 0n 5  ̄9 0n 相
图2 为沉 陷 区中心 部分 采样 点 , 叶绿 素 a的单 位 吸收系数 随深度 有较 大 的变 化 , 尤其 在 短 波 峰值 附 近上 层 水体 的叶 绿素 a单位 吸收 系数 要 偏 大 很
d p h q a tt tv e o e s n i g mo e s b i n tp o i e o e e e c a u o t rq a i o e t u n ia i e r m t e sn d l u l a d i r v d ss me r f r n e v l ef rwa e u l y m — i t t n t rn n e s r me to t r d p h io i g a d m a u e n fwa e e t .
t r d pt ha ge .An l i f d fe e t c o o e e h c n s a yss o if r n hl r phy la c nc nt a i n, us n d p r i l ie o us nd d l— o e r to s pe de a tce sz f s pe e

光学浅水高光谱遥感数据的水深反演

光学浅水高光谱遥感数据的水深反演
(1)在深度接近0m的水域范围,光谱反射比作为一个参考(0-0.15m)。参考光谱Ro是平均这些像素点的光谱数据,其他水深接近于零的水深区域也能被作为参考光谱。
(2)得到参考光谱后,像素点i的CC和SC系数被定义为:
CC(i)= (2)
SC(i)= +1(3)
在(2),(3)中,N是480-610纳米间所有波段的数量,Rij是像素点i在波段j处的光谱反射比,Roj是波段j的参考光谱,Ri(Ro)是所有波段Rij(Roj)的平均值,在这两个公式中,添加一个常数来保证值永远都是正的。
图6比较的区域(如图5所示)与激光雷达的深度(如图3所示)。(a)-(c)通过与模型检索结果的比较而得出的结果如图5,图3所示的字段数据。密度的颜色比例代表总数据的百分比在0.25米大小
图7来自Hyperion数据的水深分布图使用stumpf的线性变换方法。地图的线是10米间隔的等深线。(a)-(c)的数据来自于图2。
(3)考虑到Stumpf等人提出的模型,深度z和观测到的反射比Rw之间的自然对数关系,像素点i的水深z能够被SC和CC系数之间的自然对数比估算出来:
(4)
K1是对调节深度比例的可调恒数,n是保证在任何情况下自然对数值为正的固有常数,ko是抵消。在这个表达式中,水底类型的影响通过SC与CC的比例来表示。
B.水深数据准备
在该研究中采用原位测深数据的机载激光雷达采集。这些数据的位置,如图1所示,测深数据如图3所示。图3所示的数据(a)和(b)是在2000年使用扫描水文运行机载激光雷达测量(SHOALS)收集,测量由美国海军海洋局,美国地质服务局,美国陆军工程兵部队,火奴鲁鲁区共同完成。不规则浅滩间隔之间的平均距离是4米。我们使用连续的曲面网格算法栅格化这些SHOALS-LIDAR数据。图3所示的数据(C)是在2011年度使用机载激光雷达收集的资源。调查的编制从NOS,,NCCOS,工业地理学的分支,新罕布什尔大学和国家公园服务完成。数据栅格化为3×3米。所有这些测深数据已经校正到参考平均低水位(MLLW)高度。数据进行重新采样的分辨率为30米,与Hyperion数据共注册,使得比较方便。

基于光谱分层的浅海水深遥感反演方法

基于光谱分层的浅海水深遥感反演方法

基于光谱分层的浅海水深遥感反演方法1. 引言浅海水深是海洋环境的重要指标之一,它不仅影响着海洋生物的分布和生长,还对海洋工程和资源的开发利用具有重要意义。

准确快速地获取浅海水深信息对于海洋研究和利用具有重要意义。

传统的获取浅海水深信息的方法主要是通过水下测深仪进行地面观测,这种方法存在着工作效率低、成本高、受天气影响大等问题。

而基于光谱分层的浅海水深遥感反演方法则可以通过卫星遥感技术实现对海洋水深的快速准确获取,因此备受关注。

2. 基本原理在浅海水域中,水体的吸收、散射和反射作用对光的传播具有重要影响。

水深的不同会导致光在水体中的传播方式和路径发生变化,不同深度的水体对应着不同的光谱特征。

基于光谱分层的浅海水深遥感反演方法利用了这一原理,通过分析水体的光学特性,可以间接推算出水深信息。

3. 数据获取和处理为了实现基于光谱分层的浅海水深遥感反演,首先需要获取海洋的遥感图像数据。

目前,卫星遥感技术已经能够提供高分辨率、多光谱的遥感图像数据,这为浅海水深遥感反演提供了坚实的数据基础。

需要对获取的遥感图像数据进行预处理和特征提取,以获得水体的光学特性信息。

4. 算法模型基于光谱分层的浅海水深遥感反演方法主要依靠遥感图像的光学特性参数和数学模型进行水深反演。

目前,常用的算法模型包括改进的水深反演模型、颗粒摩尼模型等。

这些模型着重于分析水体的反射率、透明度等光学特性参数,通过建立水深与光学特性参数之间的定量关系,实现了对水深的定量估算。

5. 应用与展望基于光谱分层的浅海水深遥感反演方法已经被成功应用于浅海水深的遥感监测与研究中,并取得了一定的成果。

随着遥感技术的不断发展和完善,基于光谱分层的浅海水深遥感反演方法将进一步提高反演水体精度和时效性。

未来,我们可以期待该方法在海洋资源开发、海洋环境监测等领域发挥更大的作用。

6. 个人观点基于光谱分层的浅海水深遥感反演方法作为一种新兴的水深遥感技术,具有很大的应用潜力。

高光谱传感器光谱性能参数反演与反射率恢复

高光谱传感器光谱性能参数反演与反射率恢复

第30卷,第10期 光谱学与光谱分析Vol .30,No .10,pp2714-27182010年10月 Spectro sco py and Spectr al Analy sisO cto be r ,2010 高光谱传感器光谱性能参数反演与反射率恢复王天星,阎广建*,任华忠,穆西晗北京师范大学地理学与遥感科学学院,遥感科学国家重点实验室,北京 100875摘 要 在轨高光谱传感器光谱性能参数的准确定标是数据定量应用的基本前提。

文章在前人基础上,综合优化算法,实现了在不需要实测地表反射率的情况下,同时反演高光谱传感器中心波长与半值波宽(fullwidth at half max imum ,F W HM )。

基于模拟数据的研究结果显示,该方法在光谱性能参数偏移5nm 时,中心波长反演误差小于0.1nm ,F WH M 误差小于0.7nm 。

将该方法应用于Hy perion 数据,结果显示,Hy pe -rio n 在V NI R 谱段存在明显的smile 效应,在整个CCD 阵列范围内,其中心波长的偏移量在-2~2nm 之间,F WH M 偏移在-0.2~0.5nm 之间;在SW IR 谱段smile 效应不明显,其中心波长偏移3nm 左右,FW HM 偏移在-2~-3nm 之间。

最后在光谱重定标基础上,对H yperio n 进行了大气校正,反演了不受大气及定标参数影响的地表反射率。

经光谱重定标,在大气吸收波段周围由光谱定标参数变化导致的反射率突变得到了抑制。

关键词 光谱定标;中心波长;半值波宽(F W HM );M O DT RA N ;Pow ell 算法;Hy perion 中图分类号:T P79 文献标识码:A D OI :10.3964/j .issn .1000-0593(2010)10-2714-05 收稿日期:2009-11-02,修订日期:2010-02-06 基金项目:国家自然科学基金项目(40871164),国家(973计划)项目(2007CB714402)和欧盟FP7计划项目(212921)资助 作者简介:王天星,1982年生,北京师范大学地理学与遥感科学学院博士研究生 e -mail :watixi @*通讯联系人 e -mail :gjyan @bnu .edu .cn引 言 成像光谱技术在获取地物图像的同时可以获得象元连续的光谱数据,具有从光谱维和图像维识别地物的能力,由于其波段比较多,可以识别传统多光谱数据难以分辨的地物。

基于CNN的水质反演

基于CNN的水质反演

基于CNN的水质反演我国河流湖泊众多,且随着整个国家工业化和城市化进程的不断加快,我国内陆水体水质状况持续恶化,出现了富营养化、水体面积萎缩等现象,因此监测内陆水体异常情况并做出正确的应对措施具有重要的战略意义。

水质参数是自然环境下影响水体光学性质的光学活性物质,包括叶绿素a、悬浮物和黄色物质,能够衡量水域富营养化程度和透明度。

水质参数所引起的水体光学性质变化反映在离水辐射的光谱信息上,通过处理和分析这些光谱特征,可以得到相应的水质参数浓度,从而实现水体监测。

高光谱数据是由相同场景下不同谱段的三维图像数据构成,包含了地表物体的空间维信息和数十至数百个连续窄波段光谱维信息,其光谱分辨率达到了纳米数量级。

随着高光谱遥感技术的不断发展,高光谱遥感被广泛地应用于水质监测领域,具有高精度、低成本、快速、大范围、周期性动态监测的特点,拥有良好的应用前景。

基于高光谱遥感数据反演水质参数的方法主要分为三类:经验或半经验模型,即直接或利用一部分参数的光学特性,建立遥感数据与水质参数浓度的定量经验模型,该方法简单便捷,但因限制于特定的水体和环境条件,通用性和适用性均受到较大限制;基于生物光学模型的分析方法,具有物理意义明确、通用性和反演精度高、可同时反演出多种水质参数等优点,但模型构建复杂;基于机器学习模型的方法与经验或半经验模型类似,均基于遥感数据和水质参数浓度的统计关系,常用方法有支持向量机模型、bp神经网络模型、偏最小二乘法等。

2019年有学者提出了基于卷积神经网络的水质反演方法,该方法用于利用二维卷积神经网络,输入一个具有一定宽度和高度的高光谱图像块,提取空间和光谱特征,输出水质参数的浓度,但这种方法在野外实测时需要利用地物光谱仪测量一定宽度和高度水体内每个点的光谱信息,且需要采集该水体块内每点的水样,化验分析得到其水质参数浓度,测量过程较为复杂繁琐且难以保证测量结果的精确性。

上述传统的水质参数反演方法通常需要计算波段或波段组合与水质参数浓度的相关系数,选取相关系数高的波段或波段组合以构建反演模型,但会损失部分波段信息,导致反演精度降低。

无人机水质遥感监测方法

无人机水质遥感监测方法

无人机水质遥感监测方法作者:朱熹刘黎明叶张林来源:《中国水运》2021年第07期摘要:面对高分辨率水质监测的需求,运用无人机多光谱传感器,本文提出了一种水质参数反演方法。

以上海市淀山湖和元荡为实验区,总磷、氨氮、高锰酸盐、溶解氧为待反演水质参数,构建相应的反演模型,基于国家标准得到水质类别。

实验结果显示,各水质参数相对误差均在30%以内,湖内的污染主要集中在细小分支和岸边。

关键词:无人机多光谱;水质监测;水质反演中图分类号:X832 文献标识码:A 文章编号:1006—7973(2021)07-0157-031引言水资源是我们赖以生存的重要资源[1],然而人类活动对水环境的影响日趋严重。

传统检测方法主要以实验检测法为主,但是该方法需要大量的人力物力,且覆盖范围有限,需要新的手段相结合构建新的水质监测体系。

遥感由于其成本低,速度快,监测面积大等优点被广泛应用于水质监测,但是针对更小尺度上的河道,受限于卫星传感器的时空分辨率,卫星遥感反演的效果受限,此时无人机遥感的优势得以体现[7-8]。

无人机具有机动灵活、操作简便、时空分辨率高等优点,可以根据监测水域特征制定不同的检测方案,及时发现水质问题区域,对于微小水域的水质监测具有重要意义。

目前水質反演方法主要分析法,经验法[2-6]等。

分析法主要基于水体的光谱反射散射特性,建立在光学传输的理论基础之上,具有严密的物理逻辑推演过程,但是所需辅助数据众多,模型构建过程繁琐且具有一定的区域局限性。

而经验法建立在样本数据与光谱数据的统计关系之上,模型构建成本低,指定区域季节内精度较高,但采样难度高难以与卫星影像同步匹配[7-8]。

近些年来无人机的应用领域在不断拓展,其中有针对叶绿素相对含量反演,还有在水环境中应用于水土流失状况分析,但目前针对水质反演的研究还较少,基于此,本文以上海市青浦区金泽镇淀山湖部分区域为实验区,利用样本点、地面光谱仪、纵横无人机及K6多光谱相机构建DO(溶解氧)、CODMN(高锰酸盐指数)、TP(总磷)、TN(总氮)、NH3(氨氮)的遥感反演模型,并验证其精度。

基于半分析算法的太湖水质参数多光谱遥感反演

基于半分析算法的太湖水质参数多光谱遥感反演

17卷6期2008年12月自 然 灾 害 学 报J OURNAL OF NATURAL D I SASTERS Vo.l 17,No .6D ec .,2008收稿日期:2008-03-10; 修订日期:2008-07-13基金项目:国际科技合作计划项目(2007DF A20640);国家高技术研究发展计划项目(2007AA120306,2007AA120205,2006AA120102);国家自然科学基金资助项目(40671138)作者简介:周冠华(1976-),男,博士,主要从事环境遥感研究;通讯作者:李京,E-m ai:l liji ng @i res .cn文章编号:1004-4574(2008)06-0142-05基于半分析算法的太湖水质参数多光谱遥感反演周冠华1,2,李 京2,杨一鹏3,马荣华4,宫阿都1,2(1.北京师范大学资源学院,北京100875; 2.民政部/教育部减灾与应急管理研究院,北京100875;3.中国环境监测总站,北京100029;4.中国科学院南京地理与湖泊研究所,江苏南京210008)摘要:半分析算法基于固有光学特性数据,具有明确的物理意义,能同时反演多种水质参数,是水质遥感反演的趋势。

基于太湖实测的吸收系数与后向散射系数数据与L andsat/TM 数据,利用G ordon 半分析模型,对叶绿素a 、悬浮物与黄色物质进行了同步反演,并探讨了半分析算法适用于内陆水体多光谱遥感数据的潜力。

多水质参数同步反演方法为水环境综合分析提供了有利的技术手段。

关键词:水质遥感;半分析模型;TM;反演;太湖中图分类号:X 87 文献标识码:AM ultispectral re m ote sensing i nversion of quality para m eters ofwater i n Tai hu L ake based on se m -i analyticalm odelZ HOU Guan-hua 1,2,L I Jing 2,YANG Y -i peng 3,MA Rong -hua 4,GONG A-du 1,2(1.Coll ege ofR esources Science and T echnology ,B eiji ng Nor m alUn i vers i ty ,Beiji ng 100875,C h i na ; 2.A cade m y of D i sast er Redu cti on and Em ergency M anage m ent ,M i n i s try of C i vil Affairs /M i n istry of Edu cati on of Ch i na ,B eiji ng 100875,Ch i na ;3.Env i ronmen talM on itori ng C enter of C h i na ,B eiji ng 100029,Ch i n a ; 4.Nan ji ng In stitute ofG eography and L i m nology ,Ch i n ese Acade m y of Sciences ,N an ji ng 210008,C h i na)Abst ract :Se m -i ana l y tica l (SA )algorith m is based on inherent op tica lproperties ,possesses de fi n te physica l conno -tation ,and at sa m eti m e it can inverse variousw ater para m eters and is the deve l o ping trend o f re m o te sensing for w e -ter quality .In add iti o n to t h is ,SA m odel has the capacity to derive various bio -optica l para m e ters fro m a si n gle set of re m ote sensi n g reflectance data .I n t h is study ,the Gordon se m -i analytical bio -optica lm ode lw as applied to deter -m ine the concentration of chlorophy l-l a ,tota l suspended m atter and colored d i s so l v ed m atter (CDOM )i n inland w ater body by usi n g o fLandsat/TM data .The potential of app lication of S A algorith m to m uli-t spectral re m ote sens -i n g o f i n land w ater body w as d iscussed .The analyses i m p lies that t h e perfor m ance depends on the qua lity of t h e i n -put i n herent optical pr operties and the kno w ledge o f the m ode l para m eters .K ey W ords :w ater quality re m ote sensi n g ;se m -i ana l y tica lm ode;l T M;i n versi o n ;Ta i h u Lake目前,水质参数遥感反演主要以经验算法与半分析算法为主,其中经验算法是基于遥感波段数据与地面实测水质参数的相关性进行统计分析,选择最优波段或波段组合来反演水质参数。

高光谱遥感的应用

高光谱遥感的应用

高光谱遥感的应用赵艳福 张灵凯(江西理工大学建筑与测绘工程学院,江西 赣州 341000)摘要:高光谱遥感技术是20世纪末发展起来具有“图谱合一”特点的全新遥感技术。

本文主要对高光谱遥感的特点进行介绍,并着重阐述高光谱遥感在农业、内陆水体水质、及地矿研究三个方面的应用。

关键字:高光谱;遥感;应用1 高光谱遥感的特点高光谱分辨率遥感(Hyperspectral Remote Sensing):用很窄10-2λ而连续的光谱通道对地物持续遥感成像的技术。

在可见光到短波红外波段其光谱分辨率高达纳米(nm)数量级,通常具有波段多的特点,光谱通道数多达数十甚至数百个以上而且各光谱通道间往往是连续的,因此高光谱遥感又通常被称为成像光谱遥感。

高光谱遥感的显著特点包括三个方面:(1)高光谱分辨率;传统的多光谱传感器只有几个波段,且光谱分辨率一般都大于100nm,而高光谱遥感器的波段数多至几十到几百个,且光谱分辨率都是纳米级,一般是10~20nm,(2)图谱合一;高光谱遥感获取的数据中包含了空间、辐射、光谱三种重要信息,(3)光谱通道多,可在某一光谱波段范围内连续成像;正是得益于高光谱分辨率、多光谱波段的特点,成像光谱仪能够获得地物在一定范围内连续的,精细的光谱曲线。

2高光谱遥感的应用2.1 高光谱遥感在农业方面的应用高光谱遥感在农业中的应用主要包括:(1)对不同农作物进行识别和分类;(2)对农作作物的叶绿素等生物物理参数进行估算;(3)对农作物长势的监测;(4)对农作物产量的评估[1]。

黄双萍[2]等采用偏最小二乘法(PLS)和支持向量回归法(SVR),在使用高光谱仪采集的反射光谱进行各种形式预处理的基础上,对柑橘叶片的磷含量进行建模和预测。

模型分别在校正集和测试集上进行评估,取得最佳模型决定系数分别为0.905和0.881,均方误差分别为 0.005和0.004,平均相对误差分别为0.0264和0.0312。

研究表明:利用高光谱数据 进行磷含量的建模预测是可行的。

基于深度学习的高光谱图像水质反演模型

基于深度学习的高光谱图像水质反演模型

基于深度学习的高光谱图像水质反演模型
基于深度学习的高光谱图像水质反演模型是使用深度学习技术来对高光谱图像中的水质参数进行预测和反演的模型。

该模型通过训练来学习高光谱图像中的特征和水质参数之间的关系,并利用这种关系来对新的高光谱图像进行水质参数预测。

深度学习模型通常使用卷积神经网络(CNN)或递归神经网络(RNN)等结构进行建模。

它们将高光谱图像作为输入,经过多层的隐藏层进行特征提取和表示学习,最后通过输出层得到水质参数的预测结果。

该模型的训练通常需要大量的高光谱图像和相应的水质参数数据集。

在训练过程中,通过优化算法对模型参数进行调整,使得模型能够更接近真实的水质参数分布。

训练好的模型可以应用于新的高光谱图像,输入图像后即可输出对应的水质参数预测结果。

需要注意的是,该模型的准确性和性能受到训练数据质量和数量的影响。

因此,在应用该模型进行水质反演时,需要选择合适的训练样本和模型结构,并进行充分的验证和测试以确保结果的可靠性。

水质高光谱遥感反演模型建立及优化研究

水质高光谱遥感反演模型建立及优化研究

水质高光谱遥感反演模型建立及优化研究
1. 什么是水质高光谱遥感反演?
水质高光谱遥感反演是利用高光谱遥感技术获取水体表面反射率谱,通过反演模型计算出水质参数的一种方法。

2. 建立水质高光谱遥感反演模型的步骤是什么?
建立水质高光谱遥感反演模型的步骤包括选取适当的反演波段、获取实验数据、确定反演算法、建立反演模型和模型验证等。

3. 水质高光谱遥感反演模型的建立和优化的意义是什么?
水质高光谱遥感反演模型的建立和优化可以为水环境监测和管理提供重要的数据支持,为水质状况评估和污染控制提供科学依据,有助于提高水环境质量和生态环境保护水平。

七、高光谱遥感应用

七、高光谱遥感应用
2
1 精准农业高光谱遥感
精准农业要求回答的3W问题:
What? When? Where?
Precision farming: "Do the right thing at the right place and at the right time" Providing relevant and reliable agronomic indexes to farmers
Apply
14
1 精准农业高光谱遥感
化学统计学模型建立
Multiple Samples
Calibration Samples
Validation Samples
NIR Data
Std. Method Analysis
Data Pre-Treatment
NIR Data
Chemometric Analysis Calibration Model
Fresh Vs. Dry Predicted Nitrogen
18
1 精准农业高光谱遥感
AVIRIS Nitrogen PLS Calibration
19
1 精准农业高光谱遥感
AVIRIS Predicted Vs. Actual Nitrogen
20
1 精准农业高光谱遥感
Dry Leaf Band Depth Nitrogen Calibration
Greenness Vegetation and Soil Brightness
PVI AVI GRABS MTV GVSB
Adjusted Siol brightness Index ASBI Adjusted Green Vegetation Index AGVI Transformed Vegetation Index 9

航空高光谱遥感反演城市河网水质参数

航空高光谱遥感反演城市河网水质参数

航空高光谱遥感反演城市河网水质参数林剑远;张长兴【摘要】针对多光谱遥感对内陆城市河网水体水质参数反演精度不高的问题,基于航空和水表高光谱遥感数据,利用半经验法对CODcr、BOD5、TP和TN进行定量反演.对水质采样化验数据和水表反射率进行相关性分析,计算最佳波段组合分别为650 nm/683 nm、689 nm/667 nm、692 nm/649 nm、787 nm/678 nm;建立研究区CODcr、BOD5、TP和TN水质参数反演模型,水质参数决定系数R2分别为0.74、0.70、0.69、0.71,均方根误差RMSE分别为2.79、1.92、0.02、0.16,拟合效果次序为CODcr>TN>BOD5>TP.利用验证样点对实验结果进行定量分析,反演效果次序为TN>CODcr>BOD5>TP,平均相对误差分别为2.6%、12.9%、16.7%、22%,基本与模型拟合效果次序一致,反演的水质浓度分布与城市河网的特点和实际情况相符,为流动性大、水质状况分布错综复杂的城市河网水质监测提供参考.【期刊名称】《遥感信息》【年(卷),期】2019(034)002【总页数】7页(P23-29)【关键词】航空高光谱;半经验法;水质参数反演;城市河网;化学需氧量;生化需氧量;总磷;总氮【作者】林剑远;张长兴【作者单位】中国科学院大学工程科学学院,北京 100049;中国城市科学研究会,北京 100835;中国地质大学(武汉)信息工程学院,武汉 430074【正文语种】中文【中图分类】X870 引言传统的水质监测一般采取实地取样分析,消耗大量人力、物力、财力,获取的数据在时空尺度上不连续,难以达到大范围、实时性水质监测要求。

而利用遥感进行水质监测,具有实时、高效、连续性强、监测范围广、相对成本低等优点,卫星多光谱遥感技术已较为普遍应用内陆水质监测,但多光谱遥感数据的光谱分辨率较低,难以分辨部分水质参数的诊断性光谱吸收特征,高光谱遥感数据其光谱谱段丰富,在水质参数定量化研究中潜力较大。

高光谱遥感的应用

高光谱遥感的应用
星载成像光谱仪美国的 Hyperion,德国的 EnMAP 和日本的 Hyper-X。
在外星探测中,有火星探测 热红外高光谱仪等,中 国和印度的探月计划中也将搭载高光谱仪。
基于高光谱数据的矿物精细识别
利用高光谱遥感(含热红外高光谱)进行矿 物识别可分为 3 个层次:
矿物种类识别 矿物含量识别 矿物成分识别
3.混合光谱分解技术
用以确定在同一像元内不同地物光谱成分所 占的比例或非已知成分。因为不同地物光谱成 分的混合会改变波段的深度,波段的位置,宽 度,面积和吸收的程度等。这种技术采用矩形 方程,神经元网络方法以及光谱吸收指数技术 等,求出在给定像元内各成分光谱的比例。
4.光谱分类技术
主要的方法包括传统的最大似然方法、人工 神经网络方法、支持向量机方法和光谱角 制图方法(Spectral Angel Map-per, SAM)。
5.光谱维特征提取方法
可以按照一定的准则直接从原始空间中选 出一个子空间;或者在原特征空间之间找到 某种映射关系。这一方法是以主成分分析为 基础的改进方法。
6、模型方法
是模型矿物和岩石反射光谱的各种模型方法 。 因为高光谱测量数据可以提供连续的光谱抽样 信息,这种细微的光谱模型特征是模型计算一 改传统的统计模型方法建立起确定性模型方法。 因而,模型方法可以提供更有效和更可靠的分 析结果。
植被遥感研究的分析方法,除了应用于地质分析中的一些 方法外,主要有以下几种技术:
1、多元统计分析技术 用原始的光谱反射率或经微分变换、对数变换、植被指数变换或其
他数学变换后的 数据作为自变量,以叶面指数、生物量、叶绿素含量
等作为因变量,建立多元回归预测模型来估计或预测生物物理模型和 生物化学参数。 2、基于光谱波长位置变量的分析技术

高光谱遥感反演建模

高光谱遥感反演建模

04
基于高光谱遥感数据的反演建模实践
数据来源与预处理
数据来源
高光谱遥感数据通常来自卫星或航空成像光谱仪,具有数百个连续的光谱波段, 能够捕捉地表物质的详细光谱信息。
预处理步骤
包括大气校正、几何校正、辐射定标等,以消除大气效应、传感器误差等影响因 素,得到地表真实反射率数据。
特征提取与选择方法探讨
数据处理
高光谱遥感数据处理包括辐射定标、 大气校正、几何校正、光谱匹配等步 骤,以消除或减弱各种误差和干扰因 素的影响,提高数据质量和可用性。
高光谱遥感应用领域
01
02
03
04
生态环境监测
利用高光谱遥感技术可以监测 植被生长状况、生物多样性、 水体污染等生态环境问题,为 环境保护和治理提供科学依据 。
高光谱遥感定义
高光谱遥感是一种利用成像光谱 仪获取地物连续、精细的光谱信 息,并结合空间信息进行地物识 别和分类的技术。
高光谱数据特点
高光谱数据具有光谱分辨率高、 波段连续、图谱合一等特点,能 够反映地物的细微差异和内在属 性。
高光谱遥感数据获取与处理
数据获取
高光谱遥感数据主要通过星载、机载 和地面成像光谱仪获取,其中星载高 光谱遥感数据具有覆盖范围广、重访 周期短等优势。
03
反演建模理论与方法
反演建模基本概念及原理
高光谱遥感反演建模
利用高光谱遥感数据,通过建立数学模型反演出地表参数的 过程。
反演建模原理
基于物理光学、大气辐射传输等理论,结合地表实测数据, 构建高光谱遥感数据与地表参数之间的定量关系模型。
常用反演建模方法介绍与比较
经验/统计方法
基于经验公式或统计模型建立遥感数据与地表参数之间的关系,如多元线性回归、主成分分析等。这类方法简单易行 ,但精度受限于经验公式或统计模型的准确性和适用性。

基于Sentinel-2多光谱遥感影像的小浪底水质反演

基于Sentinel-2多光谱遥感影像的小浪底水质反演

基于Sentinel-2多光谱遥感影像的小浪底水质反演作者:郭荣幸王超梁陈济民等来源:《人民黄河》2024年第01期关键词:多光谱遥感;水质反演;Sentinel-2;反演模型;小浪底水库中图分类号:X823;TV211.1+1文献标志码:Adoi:10.3969/j.issn.1000-1379.2024.01.016引用格式:郭荣幸,王超梁,陈济民,等.基于Sentinel-2多光谱遥感影像的小浪底水质反演[J].人民黄河,2024,46(12):93-96,102.水是人类赖以生存的重要自然资源。

黄河是中华民族的母亲河,也是我国北方九省(区)主要的工业、农业和生活水源[1]。

近年来随着城市化的快速发展,工业废水和生活污水的排放造成黄河流域水环境污染严重,已成为制约区域高质量发展的主要因素,而快速高效的水质监测是黄河流域生态保护的关键。

传统的水质监测以实地采样为主,不仅周期长、成本高,而且只能获取采样点的水质信息,很难进行长时序、大范围的监测[2]。

多光谱遥感技术可根据遥感波段信息反演水质参数,降低监测成本,提高监测速度和质量,为大范围水质监测提供了一种新的方法[3]。

章佩丽等[4]基于无人机多光谱影像进行城市河道水质参数反演,建立了水质参数的反演模型并验证了模型的精确性和适用性;朱熹等[5]采用卫星多光谱遥感数据及河道断面采样点数据,反演了上海市浦东新区河道的总磷、氨氮、溶解氧等水质参数;Mceliece等[6]基于多光谱影像对近岸海域叶绿素a浓度与浊度进行了反演;张立福等[7]采用结合多源遥感数据的星地协同水质光谱在线监测技术,提升了长时序、大范围水域水质参数反演的精确度和稳定性。

本文以黄河小浪底水库为研究对象,通过Sentinel-2获取小浪底水库多光谱遥感影像数据,结合采样点实测水质数据建立了COD、TP、TN、NH3-N等参数的反演模型,并验证了模型的精确度和稳定性,进而反演各水质参数的空间分布,以期为黄河流域快速高效的水质监测提供参考。

地面高光谱技术在生态环境反演中的应用

地面高光谱技术在生态环境反演中的应用

地面高光谱技术在生态环境反演中的应用
地面高光谱技术是一种基于光谱学原理的遥感技术,它可以获取地物的光谱信息,从而实现对生态环境的监测和反演。

地面高光谱技术在生态环境反演中的应用主要包括以下几个方面:
1. 植被参数反演:地面高光谱技术可以获取植被的光谱信息,通过对光谱数据的分析,可以反演出植被的参数,如叶面积指数、叶绿素含量、植被覆盖度等。

这些参数可以用于监测植被生长状况、评估植被生产力和生态系统服务功能等。

2. 土壤参数反演:地面高光谱技术可以获取土壤的光谱信息,通过对光谱数据的分析,可以反演出土壤的参数,如土壤水分、土壤养分含量、土壤质地等。

这些参数可以用于监测土壤质量、评估土壤侵蚀和土地退化等。

3. 水体参数反演:地面高光谱技术可以获取水体的光谱信息,通过对光谱数据的分析,可以反演出水体的参数,如水体透明度、叶绿素 a 含量、悬浮物浓度等。

这些参数可以用于监测水体质量、评估水体富营养化和水生态系统健康状况等。

4. 大气参数反演:地面高光谱技术可以获取大气的光谱信息,通过对光谱数据的分析,可以反演出大气的参数,如气溶胶光学厚度、水汽含量、二氧化碳浓度等。

这些参数可以用于监测大气质量、评估气候变化和大气环境影响等。

地面高光谱技术在生态环境反演中具有广泛的应用前景,可以为
生态环境监测和管理提供科学依据和技术支持。

基于高光谱遥感的长江口叶绿素a浓度反演

基于高光谱遥感的长江口叶绿素a浓度反演

第42卷第3期2021年㊀5月水生态学杂志J o u r n a l o fH y d r o e c o l o g yV o l .42,N o .3M a y㊀2021D O I :10.15928/j.16743075.201905290136㊀㊀收稿日期:20190529㊀㊀修回日期:20200908基金项目:国家自然科学基金(61991454).作者简介:沈蔚,1977年生,男,教授,主要从事海洋遥感㊁测绘和水下探测领域工程和技术研究.E Gm a i l :w s h e n @s h o u .e d u .c n基于高光谱遥感的长江口叶绿素a 浓度反演推算沈㊀蔚1,2,纪㊀茜1,2,邱耀炜1,2,吴忠强3(1.上海海洋大学海洋科学学院,上海㊀201306;2.上海河口海洋测绘工程技术研究中心,上海㊀201306;3.南京大学地理与海洋科学学院,江苏南京㊀210023)摘要:为了解长江口的水质状况,现场测量叶绿素a 浓度,结合高光谱遥感影像,运用波段比值模型㊁一阶微分模型和水体叶绿素a 提取指数(W a t e rC h l o r o p h y l l Ga I n d e x ,W C I )对整个研究区域叶绿素a 浓度进行反演推算,并进行空间分布评价;利用实测数据和遥感影像的关系建立反演模型,并结合相关系数㊁均方根误差和平均相对误差分析和评价反演效果.结果显示,波段比值模型和叶绿素a 浓度的相关性达到0.91,均方根误差为1.79,平均相对误差为9.09%;一阶微分模型的相关性为0.95,均方根误差为2.21,平均相对误差为15.31%;W C I 模型的相关性高达0.98,均方根误差为1.44,平均相对误差为6.20%.利用W C I 模型对整个研究区域的叶绿素a 浓度进行模拟,可见研究区域的中间部分叶绿素a 含量较低,从中间到两边逐渐增大,南部出现最大值,造成此差异的原因可能是因为北接居民生活区,南邻上海青草沙水库,并且附近存在植被.研究表明,W C I 模型的反演效果优于波段比值模型和一阶微分模型,是一种计算简单㊁精度较高的方法,可以有效地提取水体叶绿素a 的浓度,未来可广泛应用于水体环境质量监测.关键词:高光谱遥感;叶绿素a ;长江口;水体叶绿素a 提取指数中图分类号:Q 334㊀㊀文献标志码:A㊀㊀文章编号:16743075(2021)03000106㊀㊀近年来,内陆水体富营养化问题日益突出.我国131个主要湖泊中,已有超过50%的湖泊达到富营养化(张兵等,2012;安如等,2013;李修竹等,2019).叶绿素是富营养化湖泊水体监测的一个重要参数,可用于估测浮游植物的生物量和生产力,在一定程度上能反映水质状况(W a n g eta l ,2015).传统的监测方法可精确测定出各项水质指标,但存在耗时长㊁成本高㊁效率低的问题,而且监测点的位置有限,不能完整反映水质指标的时空分布状况(阎福礼等,2006;王桥等,2009).高光谱遥感技术的快速发展,提供了成百上千的光谱通道,能够更精准识别目标地物.与多光谱遥感影像相比,波段数增加,光谱范围变窄,相邻波段相关性高,冗余信息也相对增加,波段之间更加连续,数据量大大增加,高光谱能够更有效监测和评价内陆水体.利用遥感技术反演水质参数是通过研究水体反射光谱特征与水质指标含量之间的关系,选择最佳光谱波段或波段组合与指标浓度进行最大程度的拟合,具有快速㊁大范围㊁低成本和周期性的特点,一定程度上能够有效检测叶绿素浓度的变化状况,也大大提高了反演精度.通过遥感技术反演水质参数,目前常见的方法有经验或半经验法和物理分析法.经验或半经验法是利用单波段水体反射率或者双波段组合等形式,建立其与实测数据之间的统计模型.李素菊等(2002)利用高光谱数据反射率标志法和一阶微分法分别建立了叶绿素a 的遥感定量模型;马金峰等(2009)构建三波段模型估算珠江口叶绿素a 浓度,结果表明适用性比较高,但经验法只对I 类水体叶绿素a 浓度反演相对准确,对环境复杂的I I 类水体反演精度较差.物理模型法是通过水体中辐射传输模型来确定水体中各种成分与水体反射率之间的关系,利用所建立的模型,运用水体反射率来反向计算水体中各种组分的含量.毕顺等(2018)建立了F L H 模型对叶绿素a 浓度进行估算;K u h n 等(2019)运用L a n d s a t 8和哨兵1号数据反演叶绿素a 浓度.建立物理模型的前提是必须明确水体的表现光学特性和固有光学特性,而内陆水体光学特性复杂,水体的反射率小,对模型的参数难以确定,建模难度较大.本文以长江口为研究区,利用实测点叶绿素a 含量数据与高光谱数据,对水体叶绿素a 提取指数(W a t e rC h l o r o p h yl l Ga I n d e x ,W C I )模型的波段进行优选,找出相关系数高的波段或波段组合,反演叶绿素a 浓度,并与波段比值模型和一阶微分模型反演结果进行对比,以此探究区域最佳叶绿素a 浓度的反演方法.1㊀材料与方法1.1㊀样点选取本次研究区位于长江口邻近海域(31ʎ29ᶄ7ᵡ~31ʎ32ᶄ15ᵡN ,121ʎ26ᶄ59ᵡ~121ʎ42ᶄ15ᵡE ).因为长江口含有比较高的浮游植物色素㊁黄色物质以及悬浮物,参照彭水秀等(2016)的研究结果,枯水期表层叶绿素a 浓度与环境因子无显著相关性,因此研究时段选择枯水期.数据包括遥感数据和地面实测数据,遥感影像数据用芬兰A I S A 传感器机载成像获取,成像时间2016年3月.光谱分辨率为10n m ,光谱范围378~995n m ,空间分辨率为1.2m ,飞行高度为1000m ,包含270个波段.在拼接图像时,将信噪比较低的89个波段剔除掉,剩余有效波段数为181个.为了减少环境及其他外在因素对反演结果误差的影响,对影像进行辐射定标㊁大气校正㊁几何校正等预处理.实测采样时间为2016年3月26日和28日10ʒ0014ʒ00,天气晴朗,无云,能见度良好,水面平静.分别采用在岸边取水和船上直接取水两种手段,共采集了14个点位的水体表面反射率光谱数据,并通过室内试验同步实测了各个点位的叶绿素a 浓度,叶绿素a 浓度值在0.0095~0.248m g /L ;其中的9个样本用于建立模型,另外5个用于模型验证,实验样点分布见图1.其中红色代表控制点,绿色代表检查点.控制点的叶绿素a 浓度为0.0131㊁0.0119㊁0 0095㊁0.0184㊁0.0156㊁0.0139㊁0.0217㊁0.0248㊁0.0195m g /L ,检查点的叶绿素a 浓度为0 0121㊁0.0168㊁0.0095㊁0.0188㊁0.0238m g/L.图1㊀长江口采样点位置F i g .1㊀L o c a t i o no f t h e s a m p l i n gpo i n t s a t t h e Y a n g t z eR i v e r e s t u a r y1.2㊀归一化处理由于水体中光谱辐射相差较小,不能很好地对比其运算结果.为了提高不同采样点光谱值之间的对比,对高光谱遥感影像进行归一化处理,以消除环境遮挡㊁测量角度变化等不确定性要素对遥感数据的影响,具体公式如下:R N (λi )=R 0(λi )1n ð940420R 0(λi )①式中:R N (λi )是归一化后的水体遥感反射率;R 0(λi )是原始水体遥感反射率;n 是420~940n m 的波段数.归一化处理后的光谱曲线如图2所示.与原始影像相比,归一化处理后的数据之间可比性更明显,曲线相对更加集中,光谱曲线的峰谷特征更易于相互比较.从图2中可以看出,800n m 附近具有强吸收作用,600n m 和840n m 附近具有反射作用.图2㊀长江口采样点的水体归一化光谱曲线F i g .2㊀N o r m a l i z e d s p e c t r a l c u r v e o f t h ew a t e r b o d y at t h e s a m p l i n gp o i n t s i n t h eY a n g t z eR i v e r e s t u a r y1.3㊀叶绿素a 浓度反演方法1.3.1㊀波段比值法㊀O ᶄR e i l l y 等(1998)提出用波段比值法来估算叶绿素a 含量,该方法是目前为止在遥感方面反演叶绿素a 含量使用较多的模型,其主要原理是利用近红外反射率最大值和红光反射率最小值附近两个波段的反射率比值,可以定量反演叶绿素a 浓度,计算公式如下:C =a R (λ1)R (λ2)+b ②式中:C 表示叶绿素a 浓度;a 为回归系数;R (λ1)和R (λ2)表示波长为λ1和λ2处的水体辐射亮度.1.3.2㊀一阶微分法㊀R u n d qu i s t 等(1996)提出光谱反射率的一阶微分可以定义为其相对波长的变化率,通过将连续反射率值之间的差除以其波长间隔来计算一阶导数.对光谱数据的一阶微分处理可以去除部分线性或者接近线性的背景噪声的影响.使用该回归平滑算法处理光谱,通过高斯核函数,利用2第42卷第3期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀水生态学杂志㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀2021年5月N a d a r a y a GW a t s o n 方法(N a d a r a d y,1964)计算水面实测光谱的一阶微分公式如下:R (λi )ᶄ=R (λi +1)-R (λi -1)λi +1-λi -1③式中:R (λi )ᶄ是波长为λi 时的一阶微分反射光谱;λi +1和λi 1为相邻波长;R (λi +1)和R (λi 1)分别为相邻波长的反射率.1.3.3㊀W C I 指数优化法㊀根据W C I 指数法反演研究区的叶绿素浓度(王金梁等,2014).通过分析特征波段,可以判断出3个波段所处的大致位置,但为了利用W C I 模型精确反演叶绿素a 浓度,需要确定波段的最佳位置,使变量[(B 1B 2)/(B 2B 3)]叶绿素a 浓度的P e a r s o n 相关系数(r )达到最佳.为了准确选取B 1㊁B 2和B 3波段,选择与3波段(半分析)法类似的循环迭代法来实现波段的优化计算(杜聪等,2009).具体步骤如下:从光谱曲线中找出两个反射峰,并将B 1和B 2初始化在这两个反射峰上,寻找B 3的最佳位置.通过在选取的波段中不断调整3个波段,计算[(B 1B 2)/(B 2B 3]的值与叶绿素a 浓度之间的相关系数,选取其中最大值所对应的波段作为迭代结果,拟合出反演模型.1.4㊀叶绿素a 浓度反演模型通过分析长江口水体归一化反射光谱曲线特征,并计算各波段值与叶绿素a 浓度之间的相关系数,此过程运用P y t h o n 处理.经计算,波段比值模型选用720n m 和670n m ,一阶微分模型则选用波长为713n m 的波段.相关系数计算公式如下:γ=ðni =1(X i -X )(Y i -Y )ðni =1(X i -X )2ðni =1(Y i -Y )2④式中:γ是光谱反射率与叶绿素a 浓度的相关系数;X i 是第i 个点处的光谱反射率;X 是所有点光谱反射率的平均值;Y i 是第i 个点的叶绿素a 浓度值;Y 是所有点的叶绿素a 浓度平均值.对于W C I 模型,根据光谱曲线图,将B 1和B 2分别初始化在586n m 和848n m 处,寻找出B 3相关系数最高的波段,将B 1波段和确定后的B 3波段作为初始值优化B 2波段,再将优化后的B 2和B 3作为迭代结果优化B 1波段;重复上述步骤,将上一代迭代结果作为下一代迭代的初始值,进行新一轮的波段优化计算,直到所有波段位置不变为止,完成波段优化过程.从表1可以看出,优化后确定的B 1㊁B 2㊁B 3波段均为710n m ㊁588n m 和771n m ,说明建立WC I 的3个波段都比较稳定,最终建立的W C I 形式如下:W C I=(R 710R 588)/(R 588R 771)⑤式中:R i 代表中心波长为i n m 处的波段反射率;W C I 为新建的水体叶绿素a 含量反演指数.利用此指数构建线性模型,公式如下:C =a ˑW C I +b ⑥式中:C 是叶绿素a 浓度值;a 为回归系数.表1㊀W C I 波段迭代优化过程T a b .1㊀I t e r a t i v e p r o c e s s f o rW C I b a n do pt i m i z a t i o n 迭代数B 1/n m B 2/n m B 3/n m 相关系数058684879615865947960.83727105947960.92967105947760.935727105887760.95477105887767105887710.95873710588771710588771总计7105887710.9587㊀㊀注:表示本次迭代的最大相关系数与上一次相同.N o t e : i n d i c a t e s t h a t t h em a x i m u mc o r r e l a t i o n c o e f f i c i e n t o ft h i s i t e r a t i o n i s t h e s a m e a s t h e p r e v i o u s i t e r a t i o n .2㊀结果与分析2.1㊀模型精度验证与比较为了验证W C I 模型反演水体叶绿素a 浓度的效果,采用均方根误差(R M S E )和平均相对误差(M R E )以及模型决定系数(R 2)为评价指标进行精度检验,并与波段比值模型㊁一阶微分模型进行比较,绘制出各模型反演值与实测值的关系如图3所示.由于W C I 模型选取波段的原因,剔除了一个异常值验证点.模型和水体叶绿素a 含量的R 2㊁R M S E ㊁M R E 以及反演模型见表2.图3直观地反映了各个检验点叶绿素a 浓度反演值和实测值的偏离情况,所有检验点越接近趋势线,偏离越小,反之亦然;可以看出,波段比值模型和一阶微分模型偏离程度大致差不多,反演效果较好.由表2可见,这两个模型的决定系数都很大,说明模型所选的波段和叶绿素a 浓度相关性都较高.其中,单波段模型中选择了R 720/R 670比值来反演叶绿素a 浓度,波段比值中的720n m 波段位于高反射率位置,保证了较高的信噪比,670n m 附近叶绿素a的吸收特征是唯一的,且两个波段之间彼此靠近,受非色素悬浮物及黄色物质的影响相似,保持了较低的噪声,所以该模型可以用来反演长江口表面水体的叶绿素a 浓度.鉴于影响叶绿素a 浓度的变化因32021年第3期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀沈㊀蔚等,基于高光谱遥感的长江口叶绿素a 浓度反演推算子较复杂,如果运算波段单一,仅仅依靠单波段比值法不足以全面反映出叶绿素a 浓度.一阶微分模型的决定系数大于波段比值模型而小于W C I 模型,均方根误差和平均相对误差都是最大的.图3㊀叶绿素a 反演值和实测值关系F i g .3㊀R e l a t i o n s h i p o f s i m u l a t e d v a l u e s o fC h l o r o p h y l l Ga c o n c e n t r a t i o nw i t hm e a s u r e d v a l u e s f o r e a c hm o d e l 表2㊀叶绿素a 浓度反演模型比较T a b .2㊀S t a t i s t i c a l pa r a m e t e r s o f e a c hm o d e l f o r e s t i m a t i n g c h l o r o p h yl l Ga c o n c e n t r a t i o n 模型R 2R M S E M R E /%反演模型波段比值0.911.799.09C =0.1052χ0.0789一阶微分0.952.2115.31C =1.8466χ+0.0180W C I0.981.446.20C =0.1231χ+0.0589㊀㊀与波段比值模型和一阶微分模型相比,W C I 能够在没有悬浮物等其他物质含量的情况下,准确反演水体叶绿素a 的浓度.通过水体光谱的变化信息来反映水体叶绿素a 的信息,利用波段差值的比值特征代表叶绿素a 吸收和反射的差异,构建的指数W C I 在剔除了异常点之后,与叶绿素a 浓度相关系数较高,均方根误差和平均相对误差均最小.选取的波段比较稳定,受其他水体所含物质影响较小,计算过程相对简单,便于使用.2.2㊀叶绿素a 浓度的W C I 反演总体来说,对于从相关性㊁均方根误差㊁平均相对误差3个评价指标对比,波段比值模型效果优于W C I 指数优化模型和一阶微分模型.用W C I 模型模拟整个研究区的叶绿素a 浓度,结果如图4所示.可以明显看到叶绿素a 含量的空间分布情况.总体上,研究区域的中间部分叶绿素a 含量较低,从中间到两边逐渐增大.南部出现最大值,造成这种差异的原因可能是因为北接居民生活区,南邻上海青草沙水库,并且附近存在植被.西南角出现最小值,可能是因为此地处于深水区,有少量淤泥,从而叶绿素a 含量少.相比丰水期而言,枯水期浮游植物种类减少,物种数量少,细胞丰度低,叶绿素a 浓度整体较低(李照等,2017).叶绿素a 浓度分布具有一定的时间和空间特征,冬季低于夏季,由近岸向远海浓度先增加㊁后降低,由于近海流况影响,季节变化明显,同时受到河流出口淡水的季节变化影响,造成叶绿素a 浓度季节变化明显(陈瑜丽和沈芳,2016;李照等,2016).图4㊀利用W C I 反演长江口叶绿素a 浓度分布F i g .4㊀S p a t i a l d i s t r i b u t i o no f c h l o r o p h y l l Ga c o n c e n t r a t i o n s i n t h eY a n g t z eR i v e r e s t u a r y ba s e do n t h eW C Im o d e l 3㊀小结通过波段比值法㊁一阶微分和W C I 优化模型进行反演水体叶绿素a 浓度,W C I 的相关性最高,误差最小;一阶微分模型的相关性处于中间,误差最大;波段比值模型的相关性最低,误差都是处于中间.因此,W C I 模型反演水体叶绿素a 含量效果佳,尤其在实测数据较少且很难用其他方法反演的时候更具优势.由于长江口为I I 类水体,受人类活动等各种因素影响较大且环境复杂,限制了通过遥感技术来反演水质参数.实测数据只有叶绿素a 的浓度数据,忽略了其他物质的吸收和散射对不同波段的水体反射率的影响,并且采样点数量有限,这对反演模型的构建有一定的影响.一方面,本文仅对长江口的数据进行分析,对优化W C I 模型的适用性以及证明不够充分,需要更多的数据进行更充分的验证;另一方面,通过实测数据构建指数来建立模型仍然属于经验方法,得到的模型很大程度上仅仅适用于建模所用的条件.对于不同水体和不同环境来说是否具有普适性还有待更进一步的验证,尚需在以后的研究中不断完善.4第42卷第3期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀水生态学杂志㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀2021年5月参考文献安如,刘影影,曲春梅,等,2013.N D C I法Ⅱ类水体叶绿素a 浓度高光谱遥感数据反演[J].湖泊科学,25(3):437444.毕顺,李云梅,吕恒,等,2018.基于O L C I数据的洱海叶绿素a浓度估算[J].湖泊科学,30(3):701712.陈瑜丽,沈芳,2016.长江口及邻近海域悬浮颗粒物对叶绿素a遥感反演算法的影响分析[J].遥感技术与应用,31(1):126133.杜聪,王世新,周艺,等,2009.利用H y p e r i o n高光谱数据的三波段法反演太湖叶绿素a浓度[J].环境科学,30(10):29042910.李素菊,吴倩,王学军,等,2002.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,(3):228234.李修竹,苏荣国,张传松,等,2019.基于支持向量机的长江口及其邻近海域叶绿素a浓度预测模型[J].中国海洋大学学报(自然科学版),49(1):6976.李照,宋书群,李才文,2016.长江口及其邻近海域叶绿素a 分布特征及其与低氧区形成的关系[J].海洋科学,40(2):110.李照,宋书群,李才文,等,2017.丰㊁枯水期长江口邻近海域浮游植物群落结构特征及其环境影响初探[J].海洋学报,39(10):124144.马金峰,詹海刚,陈楚群,等,2009.珠江河口混浊高产水域叶绿素a浓度的遥感估算模型[J].热带海洋学报,28(1):1520.彭水秀,张坤,李晓明,等,2016.南漪湖春夏季节叶绿素a浓度变化及其与环境因子间的关系[J].淮北师范大学学报(自然科学版),37(1):5761.王金梁,秦其明,李军,等,2014.基于高光谱数据的水体叶绿素a指数反演模型的建立[J].农业工程学报,30(3):128134.王桥,杨煜,吴传庆,2009.环境减灾1A卫星超光谱数据反演叶绿素a浓度的模型研究[J].航天器工程,18(6):133137.阎福礼,王世新,周艺,等,2006.利用H y p e r i o n星载高光谱传感器监测太湖水质的研究[J].红外与毫米波学报, (6):460464.张兵,李俊生,王桥,等,2012.内陆水体高光谱遥感[M].北京:科学出版社.K u h n,C a t h e r i n e,d eM a t o sV a l e r i o,A l i n e,e t a l,2019.P e rGf o r m a n c e o f L a n d s a tG8a n dS e n t i n e lG2s u r f a c e r e f l e c t a n c e p r o d u c t s f o rr i v e rr e m o t es e n s i n g r e t r i e v a l so fc h l o r oGp h y l lGaa n dt u r b i d i t y[J].R e m o t eS e n s i n g o fE n v i r o nGm e n t,224:104118.N a d a r a d y E A,1964.O ne s t i m a t i n g r e g r e s s i o n[J].T h e o r y o fP r o b a b i l i t y a n d I t sA p p l i c a t i o n,9:141142.O'R e i l l y JE,S tA p h a n e M a r i t o r e n a,M i t c h e l lB G,e ta l,1998.O c e a nc o l o rc h l o r o p h y l l a l g o r i t h m sf o rS e a W i F S [J].J o u r n a l o f G e o p h y s i c a l R e s e a r c h O c e a n s,103(C11):2493724953.R u n d q u i s tD C,H a nL,S c h a l l e sJF,e t a l,1996.R e m o t e m e a s u r e m e n t o f a l g a l c h l o r o p h y l l i n s u r f a c ew a t e r s:t h e c a s e f o r t h e f i r s td e r i v a t i v eo f r e f l e c t a n c en e a r690n m [J].P h o t o g r a mm e t r i cE n g i n e e r i n g&R e m o t eS e n s i n g,62(2):195200.W a n g JL,Z h a n g YJ,Y a n g F,e t a l,2015.S p a t i a l a n d t e mGp o r a l v a r i a t i o n s o f c h l o r o p h y l lGa c o n c e n t r a t i o n f r o m 2009t o2012i nP o y a n g L a k e,C h i n a[J].E n v i r o n m e n t a l E a r t hS c i e n c e s,73(8):40634075.(责任编辑㊀万月华)52021年第3期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀沈㊀蔚等,基于高光谱遥感的长江口叶绿素a浓度反演推算6第42卷第3期㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀水生态学杂志㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀2021年5月E s t i m a t i o no fC h l o r o p h y l lGaC o n c e n t r a t i o n s i n t h eY a n g t z eR i v e rE s t u a r yO b t a i n e d f r o m H y p e r s p e c t r a lR e m o t e S e n s i n g I m a g e sS H E N W e i1,2,J IQ i a n1,2,Q I U Y a oGw e i1,2,WUZ h o n gGq i a n g3(1.C o l l e g e o fM a r i n eS c i e n c e s,S h a n g h a iO c e a nU n i v e r s i t y,S h a n g h a i㊀201306,P.R.C h i n a;2.S h a n g h a i E n g i n e e r i n g R e s e a r c hC e n t e r o fE s t u a r i n e a n dO c e a n o g r a p h i cM a p p i n g,S h a n g h a i㊀201306,P.R.C h i n a;3.S c h o o l o fG e o g r a p h i c a n dO c e a n o g r a p h i cS c i e n c e s,N a n j i n g U n i v e r s i t y,N a n j i n g㊀210023,P.R.C h i n a)A b s t r a c t:T h eu s eo f r e m o t es e n s i n g t e c h n o l o g y t oe s t i m a t ew a t e r q u a l i t yp a r a m e t e r s i sc h a r a c t e r i z e db y h i g he f f i c i e n c y a n d l o wc o s t,a n d c a nb eu s e d f o rw a t e r q u a l i t y m o n i t o r i n g o na l a r g e s c a l e.I n t h i s s t u d y, c h l o r o p h y l lGad a t aw a s c o l l e c t e d t o a s s e s sw a t e r q u a l i t y i n t h eY a n g t z eR i v e r e s t u a r y a n dd e v e l o p am o d e l f o r e s t i m a t i n g c h l o r o p h y l lGac o n c e n t r a t i o nf r o m h y p e r s p e c t r a l i m a g e sc o l l e c t e dr e m o t e l y.F i e l dd a t ao n c h l o r o p h y l lGa c o n c e n t r a t i o nw e r e c o l l e c t e d a t14s a m p l i n g s i t e s o nM a r c h26a n d28o f2016a n dh y p e r s p e cGt r a l r e m o t e s e n s i n g i m a g e r y w e r eo b t a i n e d f o rM a r c ho f2016.C h l o r o p h y l lGac o n c e n t r a t i o nw a s e s t i m a t e d f r o mr e m o t e l y s e n s e dh y p e r s p e c t r a l i m a g e r y u s i n g t h r e em o d e l s:a b a n d r a t i om o d e l,a f i r s tGo r d e r d i f f e r e nGt i a lm o d e l,a n dt h ew a t e rc h l o r o p h y l lGa i n d e x(W C I).A l l t h r e e m o d e l sw e r eb a s e do nr e l a t i o n s h i p sb eGt w e e n t h em e a s u r e dc h l o r o p h y l lGac o n c e n t r a t i o n sa n dh y p e r s p e c t r a l i m a g e r y.T h ea c c u r a c y o f t h e m o d e l s w e r e e v a l u a t e db y c o m p a r i n g t h em e a s u r e d v a l u e s o f c h l o r o p h y l lGaw i t h t h em o d e l v a l u e s u s i n g t h e c o r r e l aGt i o n c o e f f i c i e n t,r o o tm e a n s q u a r ee r r o r(R M S E)a n d m e a nr e l a t i v ee r r o r(M R E).T h er e s p e c t i v ev a l u e s w e r e0.91,1.79,9.09%f o r t h e b a n d r a t i om o d e l,0.95,2.21,15.31%f o r t h e f i r s tGo r d e r d i f f e r e n t i a lm o d e l a n d0.98,1.44,6.20%f o r t h e W C Im o d e l.A l l t h r e es t a t i s t i c a l p a r a m e t e r s i n d i c a t e t h a t t h e W C Im o d e l g i v e s t h em o s t r e l i a b l e e s t i m a t e s o f c h l o r o p h y l lGa c o n c e n t r a t i o n.T h e c h l o r o p h y l lGa c o n c e n t r a t i o no f t h e e nGt i r e s t u d y a r e aw a s t h e ns i m u l a t e du s i n g t h e W C Im o d e l a n d t h e r e s u l t sw e r eu s e dt oa n a l y z e t h es p a t i a l d i s t r i b u t i o no f c h l o r o p h y l lGa i n t h e e s t u a r y.T h e c h l o r o p h y l lGa c o n t e n t i n t h e c e n t r a l s t u d y a r e aw a s l o wa n d g r a d u a l l y i n c r e a s e d f r o mt h e m i d d l et ot h en o r t ha n ds o u t h,w i t ht h e m a x i m u m v a l u eo c c u r r i n g i nt h e s o u t h e r n p o r t i o no f t h e s t u d y a r e a.T h en o r t h e r n p a r t o f t h e s t u d y a r e a i sn e a r a r e s i d e n t i a l a r e aa n dt h e s o u t h e r n p a r t i sn e a r S h a n g h a iQ i n g c a o s h a r e s e r v o i rw i t ha b u n d a n t v e g e t a t i o n.T h e s p a t i a l d i s t r i b u t i o no f c h l o r o p h y l lGa c o n c e n t r a t i o n i n t h eY a n g t z eR i v e r e s t u a r y w a s a t t r i b u t e d t od i f f e r e n c e s i n l a n du s e.I n s u mGm a r y,t h e W C I m o d e l g i v e s m o r er e l i a b l ee s t i m a t e so fc h l o r o p h y l lGac o n c e n t r a t i o nt h a nt h eb a n dr a t i o m o d e l o r f i r s tGo r d e r d i f f e r e n t i a lm o d e l a n d p r o v i d e s a n e c o n o m i c a l,a c c u r a t em e t h o d f o r e s t i m a t i n g c h l o r oGp h y l lGa c o n c e n t r a t i o n s i nw a t e r b o d i e s f r o mh y p e r s p e c t r a l i m a g e r y.W e e x p e c t t h a t r e m o t e s e n s i n g w i l l b e w i d e l y u s e d f o rw a t e r q u a l i t y m o n i t o r i n g i n t h e f u t u r e.K e y w o r d s:h y p e r s p e c t r a l r e m o t e s e n s i n g;c h l o r o p h y l lGa;Y a n g t z eR i v e r e s t u a r y;w a t e r c h l o r o p h y l lGa i n d e x。

  1. 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. 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. 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)。
余各量需要对采集的水样进行测量而获得。
17
8.3 水体固有光学量
单位固有光学量(Specific Inherent Optical Properties, SIOP)
单位吸收和散射系数是水体各组分的吸收和散射系数分别与其浓度的比值, 单位吸收和散射系数是分析方法建立水质参数反演算法最基本的光学参数。
t是大气漫射透过率;
r是气水界面反射率;
LP是大气程辐射; TLg 是太阳耀斑,T是大气直射透过率。
利用光谱仪在水面采集水体光谱数据时:
Lg可以避免,LP可以认为是0,t可以认为是1, 从而得到水面光谱仪接收信号Lsw的公式为:
Lsw = LW + r Lsky
Lsw和Lsky可以测量得到,r可以通过一定的办法确定,从而可以计算 得到离水辐亮度LW。如果利用灰板测量了下行辐照度Ed(0+), ,就可 以进一步计算遥感反射率Rrs。
a = a(w) + a( ph) + a(cdom) + a(t)
c=a+b
a,b,c的单位都是m-1
16
8.3 水体固有光学量
影响内陆水体固有光学特性的物质主要有四种:
纯水;
浮游植物(phytoplankton),主要是藻类;
无生命悬浮物(tripton); 黄色物质(CDOM)。
每种物质都有其固有光学量,其中水质遥感中常用到的有: (1)水分子的吸收系数aw(λ)、散射系数bw(λ) ; (2)浮游植物色素的吸收系数aph(λ) ; (3)非色素悬浮物吸收系数at(λ) ; (4)CDOM吸收系数acdom(λ); (5)总悬浮物散射系数bs(λ)。 其中,水分子的吸收系数和散射系数是不变的,可以查找文献获得。其
八、高光谱遥感应用—水质参数反演
8.1 内陆水质遥感概述 8.2 水体表观光学量 8.3 水体固有光学量 8.4 水体表观光学量和固有光学量的关系 8.5 基于生物光学模型的水质参数反演分析方法
张兵
中国科学院遥感应用研究所 E-mail: zb@
1 ZB/HRS/IRSA/CAS 2007
1)根据观测天顶角利用Fresnel公式计算得到; 2)根据经验确定不同风速条件下对应的r值; 3)假设近红外或者短波红外某段波长区域的离水辐射为0,从而利用Lsw和
Lsky计算得到r值;Lsw = LW + r Lsky 4)根据Monte Carlo模拟来确定r值; 5)根据水体光学模型,将r和一些水质参数作为未知数,然后通过光谱优化
14
8.3 水体固有光学量
固有光学量(Inherent Optical Properties) 是指不随入射光场变化而 变化,仅与水体成分有关的光学量,如光束衰减系数c,吸收系数a、散射系 数b、散射相函数P等。
随着悬浮物浓度的增加,水体在可见光及近红外波段范围的反射亮度 增加,且反射峰形态变宽。
15
R(0-)可以通过水面光谱计算得到,其公式如下所示:
R(0−) = Ewu =
E wu
Ewd [(1 − Fdif )(1 − r(θ s ) + Fdif (1 − ρ dif )]Ead + ρ w Ewu
Ewu
=
1
Qn 2 − r(θ
v
)
(
Lau
− r(θv )Lsky )
r(θs):太阳直射光的Fresnel反射率系数; r(θv):天空漫散射光的Fresnel反射率系数;
(1)与大洋水体相比,内陆和近岸水体光学特性更为复杂; (2)水体自身的辐射较低,大气影响很大; (3)常用遥感器的波段设置较宽; (4)遥感模型以统计模型为主; (5)水体固有光学量的积累很少等。
发展方向: (1)以高光谱遥感数据为数据源; (2)以影响内陆和近岸水体光学特性的3种主要水质参数 (浮游植物色素、悬浮物和黄色物质)为反演目标; (3)建立高精度的大气校正和离水辐射提取算法; (4)积累典型内陆和近岸水体固有光学量测量数据; (5)建立基于内陆和近岸水体固有光学量的水质反演分析方法。
5
8.2 水体表观光学量 水面以上水体信号构成
遥感器
太阳光在 大气中散射
天空光 水面反射
来自水面以下 的离水辐射
太阳直射光 水面反射
天空光在水 面的折射
水体上行辐射
太阳直射光在水 面的折射
7
8.2 水体表观光学量
表观光学量(Apparent Optical Properties,简称AOP):是指随入射 光场变化而变化的水体光学参数。水色遥感就是利用表观光学量(AOPs)来 反演出水体成分的浓度,常用的AOP主要有:
• 分析方法:利用遥感数据与水中各组分的吸收系数、后向散射系 数关系模型,反演水质参数含量。该方法与水体光学模型相结合 具有明确的物理意义,且具有普遍适用性,是水质遥感反演模型 的趋势。
4
8.1 内陆水质遥感概述
内陆和近岸水质遥感监测的难点及发展方向
内陆和近岸水体定量遥感研究发展较慢,水质参数反演精度一直不理想。 原因:
遥感技术以其独特的优势为水质监测和研究开辟了新的途径,它 可以实现水质快速、大范围、低成本、周期性动态监测。然而,由于 内陆和近岸水体的光学特性比较复杂,与大洋水体遥感研究相比,内 陆和近岸水体的遥感监测始终是一个技术难点。
当前内陆和近岸水质遥感监测的一个重要发展趋势就是高光谱遥 感图像数据的越来越广泛的应用。内陆和近岸水体光谱特性复杂多 变,只有高光谱分辨率的遥感数据才能更加有效地捕捉这些光谱信 息,从而提高内陆和近岸水质遥感监测的精度。
13
8.2 水体表观光学量 悬浮物的光谱特征分析
遥感反射率
8.2 水体表观光学量 叶绿素a的光谱特征分析
太湖夏季、秋季、冬季典型水体表面光谱
0.05
典型秋季水体
典型夏季水体
0.04
典型冬季水体
0.03
0.02
0.01
0 350 450 550 650 750 850 950
波长(nm)
565nm附近是叶绿素的吸收谷,在 反射率曲线上形成反射峰; 685nm附近是叶绿素的吸收峰,在 反射率曲线上形成反射谷; 700nm附近是叶绿素荧光峰,在反 射率曲线上形成反射峰; 随着叶绿素浓度的增加,565nm和 700nm附近的反射峰都会变陡; 随着叶绿素浓度的增加,700nm附 近的反射峰的峰值波长位置会向 长波方向移动。
* 离水辐亮度LW(μW/ cm2 nm sr) ; * 归一化离水辐亮度LWN=LWF0/Ed(0+),
其中F0为平均日地距离大气层外太阳辐照度,Ed(0+)为水面入射的下 行辐照度。
* 遥感反射率Rrs=LW/Ed(0+), * 刚好处于水面以下的辐照度比R(0-)=Eu(0-)/Ed(0-),
总悬浮物的单位散射系数是通过悬浮物的散射光谱与其相对应的悬浮 物浓度值之比计算得到的,即:
b*p(λ)=bp(λ) / Cs 其中Cs为总悬浮物浓度,单位是mg / l。
20
8.4 水体表观光学量和固有光学量的关系
总的吸收和散射系数模型
水体总的吸收系数a、散射系数b和后向散射系数bb由四分量构成。
其中Eu(0-)为刚好在水面下的上行辐照度,Ed(0-)为刚好在水面下的 下行辐照度(μW/ cm2 nm) 。
测量方法:剖面法(Profiling method) 、表面法(Above-water method)
6
8.2 水体表观光学量
遥感器接收辐亮度
Lsw = t r Lsky + t LW + LP +T Lg
的单位吸收系数是利用非色素悬浮物吸收系数与总悬浮物浓度之比进行计算的, 即:
a*t(λ)=at(λ) / Cs 其中Cs为总悬浮物浓度,单位是mg/l。
19
8.3 水体固有光学量 固有光学量的测量及计算 利用分光光度计(如下图所示)可以对采集水样的固有光学特性进行测 量分析。水样是与水体现场表观特性测量同步采集的,原则上固有光学特性 测量应在水样采集后的数小时内进行。可以直接测量的参数有:CDOM吸收系 数acdom(λ)、总悬浮物吸收系数as(λ)、非色素悬浮物吸收系数at(λ)、总 悬浮物光束衰减系数cs (λ);间接计算的参数有:浮游植物色素吸收系数 aph(λ)、总悬浮物散射系数bs(λ)。
8.1 内陆水质遥感概述
水质遥感中几个常用名词的定义
水色遥感是指水体的可见光近红外波段的遥感,主要用于水色因子包括 浮游植物色素、无生命悬浮物(海洋中称为悬浮泥沙)和黄色物质(黄腐 酸、腐殖酸组成的溶解性有机物(CDOM)及相关水质参数的定量探测。 一类水体是指那些光学性质主要受浮游植物及其降解物影响的水体,光学特 性相对简单,简单的蓝绿波段比值就可以反演叶绿素浓度; 二类水体则不仅受浮游植物的影响,而且受到悬浮物和黄色物质等的影响, 因而光学特性复杂多变,对于水比较浅的情形,还要考虑水底物质反射的影 响。
18
8.3 水体固有光学量 单位固有光学量(Specific Inherent Optical Properties, SIOP)
3)CDOM的单位吸收系数 CDOM的单位吸收系数是其吸收系数与CDOM在440nm处的吸收系数之
比,即: a*cdom(λ)=exp(-S(λ-440))
其中,S是CDOM吸收光谱的负指数曲线的斜率。 4)总悬浮物的单位散射系数
8
8.2 水体表观光学量 水面光谱测量离水辐亮度LW
水面法线 仪器观测平面
仪器观测方向
光谱仪探头
θv φ
天空光观测方向 太阳入射平面
θ=40度,Φ=135度,这样可以尽量避免太阳 耀斑,同时减小船的阴影的影响。
9
8.2 水体表观光学量
Fresnel公式
r (θ a
相关文档
最新文档