利用Hyperion高光谱数据的三波段法反演太湖叶绿素a浓度_杜聪
MERIS遥感图像的太湖叶绿素浓度反演研究
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。
利用高光谱技术反演作物叶绿素浓度
利用高光谱技术反演作物叶绿素浓度第一篇：利用高光谱技术反演作物叶绿素浓度利用高光谱技术反演作物叶绿素浓度摘要：高光谱技术作为一种新兴光谱技术，被广泛应用于植物的无损检测中，植被叶片叶绿素含量的估测就是其中之一。
利用可见-近红外成像光谱仪采集不同生育期玉米和大豆的冠层“图谱”数据，在逐步提取影像中光照土壤、阴影土壤、光照植被、阴影植被四种组分光谱的基础上，通过选取的敏感波段构建光谱植被指数和叶绿素密度进行波段自相关分析，探讨各个分量对作物叶绿素密度反演的影响。
关键词：高光谱技术；叶绿素；反演0 引言植物通过光合作用获取营养物质，在植物光合作用中，植物细胞中的叶绿体占据了重要的地位，而叶绿体中的色素有叶绿素（叶绿素a，叶绿素b 和叶绿素a+b）与类胡萝卜素（胡萝卜素和叶黄素）。
其中，叶绿素是植物光合作用中最重要的色素，其作为主要吸收光能的物质，直接影响植物光合作用的光能利用率。
叶片单位面积的叶绿素含量是植物总体生长状况的一个重要指标。
叶片叶绿素含量的测定可以用来检测和研究植物突变、压力和营养状态，作物压力和萎黄病的检测对精细农业具有重要的潜在影响[1]。
随着光谱技术的发展，其被应用到各个领域。
而高光谱技术作为光谱技术的一种，由于具有众多优点，在光谱检测方面应用十分广泛，备受人们的青睐。
人类肉眼的视觉范围在380~780 nm 之间，而高光谱的波段非常宽，一些高光谱仪器的波段达350~2 500 nm。
因此，通过高光谱技术可以对绿色植物进行叶绿素的检测和定量分析。
本文对高光谱技术在植物，特别是在经济作物的叶绿素含量检测和定量分析中的应用加以概述[2]。
成像系统简介及数据处理1.1 高光谱成像技术简介高光谱成像技术是在多光谱成像的基础上发展而来的，在较宽的波段范围内，利用成像光谱仪对目标物体进行连续成像，从而获得每个像元的数十或数百条光谱信息。
其成像特点是：光谱范围广（200~2 500nm）、超多波段（上百个波段）、高的高光谱分辨率（几个nm）、波段窄（≤10-2λ）和图谱合一等。
基于TM数据的太湖叶绿素a浓度定量遥感反演方法研究
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【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 error was 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 andband 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．【期刊名称】《湖泊科学》【年(卷),期】2015(000)001【总页数】13页(P150-162)【关键词】太湖;叶绿素浓度;反演模型;遥感【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】中文水体中叶绿素a含量的高低直接影响水体的光学特性，也是表征水体富营养化程度的主要参数，所以叶绿素a浓度已经成为水体水质评价的重要指标.叶绿素浓度的反演方法主要有经验方法、半经验/半分析方法和分析方法，对于叶绿素浓度反演方法，目前国内外已有众多学者对其进行了深入的研究.李素菊等[1]根据地面实测高光谱数据和同步水质采样分析，分别利用反射率比值法和一阶微分法建立了叶绿素浓度的遥感定量模型，结果表明反射率比值法及一阶微分法与叶绿素a浓度均有较好的相关性，且反射率比值法估算叶绿素a浓度效果较好.旷达等[2]综合环境一号小卫星的CCD数据和同步地面水质监测数据，发现近红外波段与红波段比值的模型用于太湖地区叶绿素a浓度反演的精度良好.乐成峰等[3]基于季节分异对太湖叶绿素浓度反演模型进行研究，结果表明春季和秋季选用波段比值算法精度较高，夏季选用微分算法最好.Kahru等[4]结合MODIS真彩色影像，利用红波段、近红外波段叶绿素反射特征的差异建立红、近红外波段反射率差值模型，成功检测了秘鲁帕拉卡斯湾赤潮的发生.Gitelson等[5]首次提出用于估算陆地植被叶绿素含量的三波段式半分析模型，Zimba、Dall’Olmo等[6-7]将该方法应用于水体叶绿素a浓度反演，提高了反演精度.周冠华等[8]利用太湖实测的高光谱遥感数据建立三波段模型并进行波段优化，得到较高的反演精度.杨煜等[9]通过地面实测数据，建立太湖叶绿素a浓度反演模型，对比各模型反演效果，认为三波段模型反演精度最高.徐京萍等[10]利用2004年5-9月的吉林省新庙泡实测高光谱数据和实验室分析数据，建立了基于三波段的叶绿素a浓度反演模型，并优化组合了3个特征波长，结果表明用该方法建立的模型反演精度较高，适合于内陆水体叶绿素a含量的定量提取.2012年El-Alem等[11]提出了一种新的叶绿素浓度反演模型APPEL模型(APProach by ELimination)，结合南魁北克4个湖泊的9年实测数据和同步MODIS影像数据对叶绿素浓度进行反演，决定系数达到0.95.差值模型、比值模型以及三波段模型已成功应用于内陆水体的叶绿素浓度反演研究并取得较好的效果，成为内陆水体叶绿素浓度反演最常用的模型.APPEL模型是以MODIS传感器波段数据为参数，以叶绿素在红波段强吸收、近红外波段高反射的光谱特征为原理，以不同波段组合来去除悬浮物、CDOM和后向散射的影响，最终构建而成的叶绿素浓度反演模型.它是一种新的半分析模型，目前并未用于内陆水体的叶绿素浓度反演研究，所以其精度与稳定性如何，适不适合内陆水质参数的反演，这些问题还需要进一步验证.在叶绿素浓度遥感估算方面，各国已相继发射了多种水色遥感传感器，这些卫星无疑为叶绿素浓度遥感估算提供了良好的数据源.例如美国海洋水色卫星(SeaStar)携带的海洋宽视场扫描仪SeaWiFS、搭载在美国Aqua和Terra卫星上的中分辨率光谱成像仪(MODIS)、搭载于Envisat-1卫星平台上的中等分辨率成像频谱仪(MERIS)、日本ADEOS-2卫星平台上的全球成像仪(GLI)、印度遥感卫星IRS平台上的海洋水色监测仪(OCM)、韩国发射的静止海洋观测卫星成像仪(GOCI)等.其中，MODIS于1999年12月18日发射，拥有9个为水色遥感专门设计的通道，其最大空间分辨率为250m，一天可过境4次，对各种突发性、快速变化的自然灾害有更强的实时监测能力；MERIS传感器于2002年3月发射，在可见光/近红外区域(309～1040nm)有15个水色波段，可见光波段平均带宽为10nm，中心波段位置更精细，其空间分辨率为300m，重返周期为2～3d，适用于二类水体各组分的反演；GOCI为世界首次发射的静止海洋观测卫星成像仪，发射时间为2011年4月，其具有可见光到近红外8个波段，空间分辨率为500m，其最突出的特点是从8：00-15：00提供每小时的遥感影像，由于GOCI影像较高的时间分辨率和光谱分辨率，并且对于东北亚地区相对静止，其影像数据可有效用于我国东部湖泊富营养化情况的实时监测.但是，目前的水色遥感传感器主要是为海洋遥感服务的，在内陆水体中是否适用，其稳定性如何还有待验证.此外，我国于2008年发射了环境一号卫星，该卫星由两颗光学小卫星(HJ-1A、HJ-1B)组成双星星座，时间分辨率为2d，虽然其传感器波段不是专门针对水体设置，但是，其较高的时间分辨率和30m的空间分辨率，使得该数据在内陆水环境的遥感监测中具有突出的优势.结合以上两点，在内陆水体叶绿素浓度反演过程中，反演模型的选择和卫星数据的选择是非常重要的，二者直接影响水体叶绿素浓度的反演结果，因此基于卫星数据的叶绿素浓度反演模型适宜性分析具有十分重要的研究意义.本文基于太湖2007年11月、2009年4月和2011年8月实测数据，选择差值模型、比值模型、三波段模型以及APPEL模型，针对HJ-CCD、MODIS、MERIS 以及GOCI传感器波段设置，分别构建太湖水体叶绿素a浓度的估算模型，并分析模型的适宜性，以期确定最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.1.1 实验区概况太湖位于江苏省南部，长江三角洲中部，是中国第三大淡水湖，湖面面积、平均海拔和平均水深分别为2338.1km2、3.33m和1.9m.2007年11月、2009年4月和2011年8月分别对太湖水体进行样点采集，并去除异常数据，光谱数据的采集和水体采样同步进行.1.2 数据获取与预处理1.2.1 水体光谱数据的获取水体光谱数据采用美国分析光谱仪器公司(Analytical Spectral Devices)制造的ASD FieldSpec Pro便携式光谱辐射计测量，该仪器波段范围为350～1050nm，光谱分辨率为2nm.选择水面平静，天空晴朗时测量.具体按照唐军武等[12]提出的关于内陆二类水体水面以上光谱测量的方法进行测量，并最终计算出水面遥感反射率参数.地面实验于2007年11月、2009年4月和2011年8月在太湖进行，共获得有效数据88个.1.2.2 叶绿素浓度的测量叶绿素浓度采用陈宇炜等[13]提出的浮游植物叶绿素a测定的“热乙醇法”进行测量.首先用GF/F滤膜过滤200ml水样，然后加入热乙醇水浴2min后避光萃取4～6h，萃取结束后，用25mm玻璃纤维滤膜过滤萃取液并定容至10ml，将10ml叶绿素样品萃取液在UV-2550紫外分光光度计上用90%乙醇作为参比液进行比色，先后在665nm和750nm波长处测消光率E665和E750，然后在样品比色皿中加1滴1mol/L的盐酸进行酸化，加盖摇匀，1min后重新在665nm和750nm波长处测消光率A665和A750.叶绿素a浓度计算公式为：式中，Chl.a为叶绿素a浓度(mg/m3)，V乙醇为萃取液定容的体积(ml)，V样品为过滤水样的体积(m3).1.3 叶绿素浓度反演模型构建首先，利用水面实测光谱以波段均值法模拟HJ-CCD、MODIS、MERIS以及GOCI传感器波段光谱，HJ-CCD波段1、2、3、4的波宽分别为430～520、520～600、630～690、760～900nm;MODIS波段1、2、3、4的波宽分别为620～670、841～876、459～479、545～565nm;MERIS波段2、5、7、9、12的波宽分别为437.5～447.5、555～565、660～670、703.75～713.75、771.25～786.25nm;GOCI波段2、4、6、7、8的波宽分别为433～453、545～565、675～685、735～755、845～885nm.其次，针对各传感器波段设置，分别建立差值模型、比值模型、三波段模型和APPEL模型等叶绿素浓度反演模型.建模数据为88个太湖实测数据中随机选择的68个样点数据.1.3.1 差值模型差值模型是根据红波段和近红外波段叶绿素的光谱特性差异建立的半分析模型[4].该模型将红、近红外波段的差值作为相关变量，进行叶绿素浓度量化反演.针对HJ-CCD、MODIS、MERIS以及GOCI传感器波段设置，太湖叶绿素浓度反演对应的量化波段如下：式中,R(bi)为第i波段的遥感反射率，[Chl.a]为叶绿素a浓度.1.3.2 比值模型比值模型根据叶绿素在近红外波段高反射与红波段强吸收的特性，选用两波段比值作为光谱指数进行叶绿素浓度反演，对于不同传感器选取的波段如下：1.3.3 三波段模型三波段模型使用1个红光波段、2个近红外波段的组合来构建叶绿素反演模型[5]，定义如下：选择660～690nm作为叶绿素a的敏感波段[14]，λ2选取对叶绿素吸收敏感度低并且接近λ1的近红外波段710～730nm来减小悬浮物和CDOM的影响[14-15]，λ3选取730nm以后的近红外波段，水体各组分的吸收系数很小，水体后向散射较大，因此此波段用来去除后向散射的影响[16-17].对于MERIS和GOCI传感器参数，分别选用b7、b9、b12波段和b6、b7、b8波段来建立三波段模型：由于HJ-CCD和MODIS传感器波段设置不能完全包含理想的三波段范围，因此，无法直接采用上述方法建立三波段模型.El-Alem等[11]提出，对于MODIS数据，可采用波段1(红光波段)代替λ1叶绿素a吸收的敏感波段，选用波段1、3、4的组合代替λ2去除悬浮物和CDOM的影响[18-19]，同时选用波段2近红外波段代替λ3去除后向散射的影响.由于HJ-CCD波段设置类似于MODIS的1～4波段，因此，本研究采用El-Alem等提出的方法设置MODIS和HJ-CCD数据的三波段模型参数：式中，对于HJ-CCD：Δb1=b1-b3，Δb2=b2-b3，R-1(b3)对叶绿素a的吸收敏感，b1用来最小化悬浮物的影响用来最小化CDOM的影响，b4最小化后向散射的影响.同理对于MODIS：Δb3=b3-b1，Δb4=b4-b1.1.3.4 APPEL模型APPEL模型是由El-Alem等[11]针对MODIS传感器数据提出，由于近红外波段叶绿素光谱特征表现出高反射，而水体在此波段强吸收，因此可以用来获取最大的叶绿素信息量.在此波段仍有悬浮物、CDOM和后向散射的影响，因此，选用CDOM反射最强的蓝波段来去除CDOM的影响[20]，同时选取近红外波段作为叶绿素的敏感波段来去除CDOM敏感波段中的叶绿素信息，近红外波段由于水体强吸收也用来去除蓝波段后向散射的影响.红波段可以作为悬浮物敏感波段的研究，来最小化悬浮物的影响，并用近红外波段去除红波段叶绿素的信息，在红、近红外波段，水体表现为强吸收特征，因此后向散射可以忽略.综上，最终得到的APPEL光谱指数为：APPEL模型用于不同传感器的叶绿素浓度反演光谱指数如下所示：2.1 模型拟合效果分析2.1.1 基于HJ-CCD波段数据模型拟合结果分析利用实测数据模拟HJ-CCD传感器波段数据，构建叶绿素反演模型的拟合结果,可以看出4个模型的光谱指数与叶绿素浓度均呈现较好的线性关系，其中APPEL模型拟合效果最好，决定系数为0.7434，其次为三波段模型，决定系数为0.6245，两波段差值模型和比值模型的拟合结果决定系数分别为0.5403和0.5148，模型拟合精度由高到低分别为APPEL模型、三波段模型、差值模型、比值模型(图1).2.1.2 基于MODIS波段数据模型拟合结果分析利用实测数据模拟MODIS传感器波段数据，构建叶绿素反演模型的拟合结果,可以看出APPEL模型拟合结果最好，决定系数为0.7308，三波段模型决定系数为0.6014，差值模型和比值模型拟合结果决定系数均在0.5以下，分别为0.4954和0.4918，模型拟合精度由高到低分别为APPEL模型、三波段模型、差值模型、比值模型(图2).2.1.3 基于MERIS波段数据模型拟合结果分析利用实测数据模拟MERIS传感器波段数据，构建叶绿素反演模型的拟合结果,可以看出三波段模型和APPEL模型拟合的光谱指数与叶绿素浓度呈现出很好的线性相关，决定系数分别为0.7610和0.8107，差值模型和比值模型拟合的光谱指数与叶绿素浓度也有较好的线性相关，并且模型决定系数都在0.7以上，模型拟合精度由高到低分别为APPEL模型、三波段模型、差值模型、比值模型(图3).2.1.4 基于GOCI波段数据模型拟合结果分析利用实测数据模拟GOCI传感器波段数据，构建叶绿素反演模型的拟合结果,可知APPEL模型拟合结果的决定系数为0.7823，三波段模型决定系数为0.7053，差值模型和比值模型的决定系数分别为0.6871和0.6305，模型拟合精度由高到低分别为APPEL模型、三波段模型、差值模型、比值模型(图4).基于水色遥感传感器的太湖水体叶绿素浓度反演模型拟合结果可以看出，APPEL模型拟合结果决定系数都在0.73以上.三波段模型拟合结果决定系数都在0.6以上，其精度与稳定性都较APPEL模型差.差值模型和比值模型对于不同的传感器波段设置，模型拟合结果有一定的波动，差值模型拟合决定系数为0.4954～0.7244，比值模型拟合决定系数为0.4918～0.7098.这是因为差值模型和比值模型均为两波段模型，二者建模原理是基于红、近红外波段叶绿素光谱特性的差异，构建红、近红外波段的差值和比值作为光谱参数，并未去除悬浮物、CDOM以及后向散射等的影响，降低了模型适用性与稳定性.而三波段模型和APPEL模型考虑到了悬浮物、CDOM以及后向散射等的影响并对其进行了去除，一定程度上提高了模型的精度.从模型拟合结果还可以看出，对于同一叶绿素浓度反演模型，基于MERIS传感器波段设置的模型模拟结果精度最好，其次分别为基于GOCI传感器波段设置拟合结果、基于HJ-CCD传感器波段设置拟合结果、基于MODIS传感器波段设置拟合结果.2.2 模型外推适应性分析利用未参与建模的数据，对所建模型的外推适应性进行分析.在此，分别采用相对误差(Er)和相对均方根误差(RMSEr)两个指标对模型反演结果进行评价：式中，n是样点数目，Oi和Esi分别为第i个样点的实测值和模型估算值.图5为基于不同传感器波段数据的4个模型验证结果相对误差频率分布直方图，差值模型有36%的样点相对误差小于0.3，并且有7%的样点相对误差大于1.比值模型相对误差小于0.3的样点数占31%，有11%的样点相对误差大于1.三波段模型外推验证结果56%的样点相对误差小于0.3，相对误差大于1的样点数占3%.APPEL模型接近一半的样点相对误差小于0.1，占总样点数的48%，71%的样点相对误差小于0.3.对4种模型反演叶绿素a浓度的反演值和实测值进行相对误差统计和相对均方根误差统计，结果如表1所示.整体来说，APPEL模型的外推结果最好，具有很高的稳定性，对于不同传感器波段设置和不同的传感器波段宽度，模型敏感度较低，叶绿素浓度反演值与实测值的相对误差与相对均方根误差均较小，相对误差为15%～24%，相对均方根误差为21%～32%.三波段模型对于不同传感器波段数据，模型外推结果的相对误差为28%～36%，相对均方根误差为39%～46%.差值模型验证结果相对误差为39%～53%，相对均方根误差为51%～72%，比值模型验证结果相对误差为41%～55%，相对均方根误差为56%～75%.外推验证结果显示模型外推性由高到低分别为APPEL模型、三波段模型、差值模型、比值模型.综合对4种叶绿素浓度反演模型的精度分析可知，APPEL模型在不同传感器拟合结果中和模型外推适宜性分析结果中都显示出很好的精度与稳定性，三波段模型在不同传感器数据叶绿素浓度反演过程中精度有小范围的波动，模型外推适宜性分析结果显示三波段模型的稳定性较APPEL模型低，差值模型和比值模型不论在拟合结果还是外推适宜性分析当中都表现出较大的精度波动，模型的稳定性相对较差.所以APPEL模型因其较好的稳定性与外推性，可以推广到遥感水色卫星反演太湖水体叶绿素浓度.2.3 基于不同传感器波段参数的APPEL模型适应性分析APPEL模型拟合结果决定系数均在0.73以上，对于不同的水色传感器波段数据模型的稳定性较强.其中，基于MERIS传感器数据的模型拟合精度为0.8107，基于GOCI传感器数据的模型拟合精度为0.7823，基于HJ-CCD传感器数据的模型拟合精度为0.7434，基于MODIS传感器数据的模型拟合精度为0.7308.在模型外推适宜性验证结果当中，基于MERIS传感器数据建模的验证结果相对误差和相对均方根误差分别为15%和21%，基于GOCI传感器数据建模的验证结果相对误差和相对均方根误差分别为19%和23%，基于HJ-CCD传感器数据建模的验证结果相对误差和相对均方根误差分别为22%和27%，基于MODIS传感器数据建模的验证结果相对误差和相对均方根误差分别为24%和32%.可以看出基于不同传感器波段设置的APPEL模型精度与稳定性由高到低分别为基于MERIS传感器波段设置、基于GOCI传感器波段设置、基于HJ-CCD传感器波段设置、基于MODIS 传感器波段设置.不同传感器参数建立的模型精度不同的原因主要是，建模所用实测数据的光谱曲线显示红波段的叶绿素吸收峰和近红外波段的叶绿素反射峰分别位于677和707nm附近，且CDOM的敏感波段位于440nm附近，而建模所用的遥感传感器波段设置与这些特征波长均有不同程度的偏离，不能最大程度地获取特征信息.并且不同传感器的光谱分辨率不同，也会影响特征信息的获取.这些问题都会对模型精度产生不同程度的影响.2.4 传感器波段设置对模型精度的影响分析从模型拟合结果和外推性验证结果可以看出，对于不同模型，基于MERIS传感器波段数据的模型拟合结果精度和外推性都是最好的，其次为GOCI、HJ-CCD、MODIS.分析实测数据遥感反射率和叶绿素浓度之间的相关性可以看出，相关系数最小值出现在叶绿素吸收波段677nm，相关系数最大值出现在叶绿素反射峰值附近的707nm，通过循环迭代方法得出三波段最佳位置分别为677、706、730nm.结合建模使用的传感器波段参数，对于叶绿素强吸收的红波段HJ-CCD、MODIS、MERIS、GOCI对应的波段中心波长分别为660、645、665、680nm，分别和特征波长相差17、32、12、3nm.对于叶绿素高反射的近红外波段HJ-CCD、MODIS、MERIS、GOCI对应的波段中心波长分别为830、858.5、708.75、745nm，分别和特征波长相差123、151.5、1.75、38nm.对于730nm波段MERIS、GOCI对应的波段中心波长分别为778.75、865nm，分别和特征波长相差48.75、135nm，而基于HJ-CCD和MODIS传感器的三波段建模使用了波段组合代替近红外波段.对于CDOM敏感波段440nm，HJ-CCD、MODIS、MERIS、GOCI对应的波段中心波长分别为475、469、442.5、443nm，和特征波长分别相差35、29、2.5、3nm.MERIS和GOCI的波段设置都较为接近特征波长，相比较之下，HJ-CCD和MODIS的波段设置和特征波长有较大偏离.另一方面，不同传感器的光谱分辨率不同，这些因子都会对叶绿素浓度模型反演的最终效果产生影响.2.4.1 波段宽度的影响为了检验波段宽度对叶绿素浓度反演模型的影响，以实测数据分析出的特征波长作为中心波长，分别拟合出1、5、10、15、20、25、30、40、50、60、70、80nm波宽的各特征波段，然后构建叶绿素浓度反演差值模型、比值模型、三波段模型和APPEL模型.从图6可以看出，模型拟合精度和验证精度由高到低分别为APPEL模型、三波段模型、差值模型和比值模型.当波宽在1～30nm之间变化时，4个模型拟合结果决定系数呈现比较稳定的趋势，在0.81～0.86之间略微变动；当波段宽度大于30nm时，模型拟合结果决定系数呈现降低趋势，并在40nm之后明显降低；当波宽为80nm时，差值模型、比值模型、三波段模型和APPEL模型的决定系数分别为0.57、0.55、0.63和0.70.模型验证结果与拟合结果一致，波宽小于30nm时，验证结果相对误差和相对均方根误差波动不明显，波宽大于30nm时，验证结果相对误差和相对均方根误差开始逐渐增大.模型的精度随波宽的增加而逐渐降低的原因主要是当波宽较小时，叶绿素特征波长处的信息可以最大程度被获取，模型的信噪比高，而当波宽变大，较大的波段宽度包含更多的噪声，对叶绿素特征信息产生一定程度的模糊，降低了模型的信噪比.另外，由于红、近红外波段比较接近，当波段过宽时，两个波段的光谱信息会出现互相包含现象，这都会影响模型的精度与稳定性.从上述分析可以看出在特征波长处，当波段宽度小于30nm时，波宽的变化对4个模型的精度不会产生较大的影响.2.4.2 波段位置的影响为了验证波段位置对叶绿素浓度反演模型精度的影响，以HJ-CCD、MODIS、MERIS、GOCI各波段中心波长作为中心波长，分别拟合出1、5、10、20、30、40、50、60、70、80nm波宽的各特征波段，构建叶绿素浓度反演差值模型、比值模型、三波段模型和APPEL模型，模型拟合结果和验证结果如图7、图8所示.从模型拟合结果与验证结果可以看出，对于不同的波段位置与波段宽度，APPEL模型的精度最高，其次是三波段模型，差值模型和比值模型反演精度相对较低.对于HJ-CCD传感器，波段宽度从1～60nm变化时，各模型的拟合结果决定系数呈现逐渐增大的趋势，并且模型验证结果相对误差逐渐减小.波宽为60nm处各模型的反演精度最好，差值模型、比值模型、三波段模型和APPEL模型拟合结果决定系数分别为0.6、0.58、0.66、0.77，验证结果相对误差分别为0.44、0.46、。
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)。
不同方法估算太湖叶绿素a浓度对比研究
( 1. School of Geography and Ocean Sciences, Nanjing University, Nanjing 210093, China; 2. T aihu Lake Laboratory Ecosystem Research Station, State Key Laboratory of Lake Science and Environment, Nanjing Institute of Geography and L imnology, Chinese Academy of Sciences, Nanjing 210008, China; 3. Earth Observation and Digital Earth Science Center, Chinese Academy of Sciences, Beijing 100080, China) Abstract: Based on the measured remote sensing reflectance and concurrent chlorophyll a ( Chl a) concentration in Taihu Lake from January 7 to 9 and July 29 to August 1, 2006, this study comparatively analyzed the estimation precision of three - band - model, two - band - model, reflectance peak position method and first derivative method, and further discussed the feasibility of the four methods to estimate Chl a using remote sensing image. The data set of two samplings contained widely variable total suspended matter ( 12 24 -285 20 mg L- 1 ) , Chl a ( 4 83 155 11 g L- 1 ) and chromophoric dissolved organic matte absorption coefficient at 440 nm ( 0 27 - 2 36 m - 1 ) . The former four methods all got high precisions on Chl a concentration estimation in Taihu Lake with determination coefficients ( r2 ) of 0 813, 0 838, 0 872 and 0 819, respectively. The root mean square error ( RMSE) between measured and estimated Chl a concentrations using the four models was 13 04, 12 12, 13 41 and 12 13 g L- 1 , respectively, and the relatively error ( RE) was 35 5% , 34 9% , 24 6% and 41 8% , respectively. Although the reflectance peak position method had the highest estimation precision, it was difficult to be applied on remote sensing image due to lacking spectral channel. The three - band -model and two - band - model had higher estimation precisions than the first order differential method and good application foreground in Chl a retrieval using remote sensing image. The r 2 , RMSE, RE of [ R - 1 ( 665) - R - 1 ( 709) ] R ( 754) in three - band -model and R ( 709) R ( 681) in two - band - model based on simulation MERIS data were 0 788, 13 87 g L- 1 , 37 3% , and - 1 0 815, 12 96 g L , 34 8% , respectively. The results in this study demonstrated MERIS data could be applied to retrieve Chl a concentration in turbid Case waters as T aihu Lake. Key words: Taihu Lake; chlorophyll a; retrieval; remote sensing reflectance
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。
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。
基于HJ-1ACCD数据的湖泊叶绿素a浓度反演
基于HJ-1ACCD数据的湖泊叶绿素a浓度反演湖泊是地球上重要的自然水体，叶绿素a是湖泊中浮游植物的主要色素，它不仅影响水体的颜色和透明度，还对湖泊水生态环境和生态系统的健康状况有着重要的影响。
因此，准确地反演湖泊叶绿素a浓度对于湖泊水质管理、生态环境保护和资源科学研究具有重要意义。
利用遥感技术从卫星获取的遥感数据可以有效地反演湖泊叶绿素a浓度。
我国自主研制的环境卫星HJ-1A/B是一对小型遥感卫星，其中HJ-1A/B卫星上搭载的环境监测传感器（CCD）能够获取高空间分辨率的多光谱遥感数据，广泛应用于陆地和水体等环境领域。
本文将介绍利用HJ-1A/B卫星CCD数据实现湖泊叶绿素a浓度反演的方法和一些常见的问题。
1. 数据获取和处理本文以鄱阳湖为例，利用HJ-1A/B CCD数据进行湖泊叶绿素a浓度反演。
首先，需要获取CCD 反射率数据，并进行预处理，去除大气、表面反射率等非水体效应，得到反演所需的水体反射率数据。
本文采用的是2009年9月16日的HJ-1A CCD数据，波段范围为520~900 nm，空间分辨率为30 m。
2. 预处理湖泊叶绿素a浓度反演需要先进行一些预处理，以确保反演精度和可靠性。
具体包括以下几个方面：（1）数据质量和去云处理CCD数据的质量直接影响到反演精度和可靠性，需要对数据进行质量评估，并对有云和阴影部分进行剔除和插值处理。
（2）水体反射率计算通过分别提取不同波段的反射率值，计算出不同光谱波段下的水体反射率。
需要对CCD数据进行大气校正，去除地表反射率，提取水体反射率，并进行合并处理，得到不同波段下的水体反射率数据。
（3）计算蓝绿波段比值利用HJ-1A CCD波段520~590 nm之间的数据计算蓝绿波段比值（Blue-Green Ratio, BGR），BGR=(R532-R491)/(R532+R491)。
蓝绿波段比值可有效地估算水中叶绿素a的浓度，对湖泊叶绿素a浓度反演具有重要的参考作用。
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。
利用Hyperion星载高光谱传感器监测太湖水质的研究
ｕｉｇｍ ｄｌ ｇｈｐ ｒ ｅｔ ｌ ａａｅ ｆｌ ｔ ｎ ｉ ｎ ｅ ｔ ａ ｌｔ （ 一１ ａ ｉ ｕｓｄａｄ ｃｍｐｒｄｗｔ ａ ｏ ｓ ｏｅｉ ｙｅｓ ｃ ａ ｄｔ ｔ ｏ ， ｌ Ｅ ｖｒ ｍ ｎ ｌ ｔ ｌｅ ｎ ｎ ｐ ｒ ｓ ｓ ｉ ｅ ｔ ｏ ａＳ ｅｉ ）ｗ ｓｄｓ ｓ ｎ ｏ ａｅ ｉ ｔ ｔ ｆ ｃ ｅ ｈｈ Ｅ Ｏ一１Ｈ ｐ ｒ ｎ ｈ ｅｕｔｅｅｌ ｔ ｏ ｎ ａ ｏ ｅｒ ｔ ｓｎｉ ｐ ｌ ａｏ ｓ ｆ ｃｅ ｕ ｄＨ 一１ｓｔ ｌｅｗｔ ｈ — ／ ｙ ｅ ｏ．Ｔ ｅｒｓｌｒｖａ ｅｐｔ ｔｌ ｆｈ ｍｏ ｅｓ ｇａｐｉ ｔ ｎ ｈ ｄｌ ｊ ａｅ ｉ ｉ ｙ ｉ ｓｈ ｅ ｉ ｔ ｅ ｅ ｎ ｃｉ ｏｓ ｅ ｌｔ ｈ
Ｖ １ ５，Ｎ ． ｏ ．２ ｏ６
Ｄ ｃ ｍｂ ｒ ２ ０ ｅ ｅ ｅ 。０ ６
利用 Ｈ ｐｒ ｎ星载高光谱传感器监测太 湖水质 的研 究 ｙ ｅｉ ｏ
阎 福礼， 世新， 艺， 青， 祝 王 周 肖 令亚， 王 丽涛， 云清 焦
（ 中国科学 院遥感应用研究 所 ， 北京 １００ ） ０ １１
ｗ ｔ ｈ ｒｐ ｙ ｎ ｕ ｐ ｎ ｅ ｅ ｉ ｅ ｔ ｃ ｎ ｅ ｔ ｔ ｎ ｆｄ ｒｎ ａｇ ｒｈ ｓ Ｒ ｔ ，）Ｔｆ ｃ ｎ Ｄ Ｉ ｗ ｒ ｄ ｔ — ｉ ｃ ｌ ｏ ｈ ｌ ａ ｄ ｓ ｓｅ ｄ ｄ ｓｄｍ ｎｓ ｏ ｃ ｎ ａｉ ｓｏ ｉ ｅ ｔ ｌ ｉ ｍ （ ａ ｏ 【ｆ ｅ ｅａ ｄ Ｎ Ｖ ） ｅｅ ｅｅ ｈ ｏ ｌ ｒ ｏ 舱 ｏｔ ｉ ｉｅ ｎ ｒ
维普资讯
第２ ５卷第 ６期 ２０ ０ ６年 ｌ ２月
文 章 编 号 ： ０ —９ １ （０ ６ ０ ０ ６ ０ １ １ ０４ ２ ０ ）６— ４ ０— ５ ０
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。
太湖不同叶绿素a浓度水体荧光特征分析
太湖不同叶绿素a浓度水体荧光特征分析李莉;尹球;巩彩兰;许华;陈利雄【期刊名称】《光谱学与光谱分析》【年(卷),期】2011(031)001【摘要】利用2008年太湖蓝藻爆发的5-8月实测的27个站点水体光谱反射率和水质参数,分析了不同叶绿素a浓度等级下太湖水体光谱的荧光特征.结果表明,荧光峰位置和荧光峰高度都与叶绿素浓度呈显著正相关,且荧光峰峰值位置和半宽度与叶绿素a浓度的拟合度要高于基线荧光峰高度和归一化荧光峰高度.荧光峰特性用于二类水体中高浓度叶绿素探测较传统的蓝绿光波段比值有很大的改进,而宽通道卫星遥感所采用的叶绿素浓度近红外红光波段比值法本质上与归一化荧光峰高度一致.这为今后进一步利用荧光特征提高太湖叶绿素a浓度反演精度提供了研究基础.%The spectral reflectance and water qualities of 27 stations were acquired in the lake Taihu during the months from May to August, 2008 when blue algal bloomed. Based on the fluorescence characteristics analysis of different chlorophyll a concentration, it was obvious that the position and height of fluorescence peak both have a positive correlation with chlorophyll a concentration, and the correlation coefficients between chlorophyll a concentration and position and half width of fluorescence peak are larger than those of the reference baseline and the normalized height of fluorescence. Estimating of chlorophyll a concentration in case 2 water using fluorescence characteristics is obviously better than the empirical algorithm based on blue to green ratio.Moreover, the commonalgorithm based on near infrared band to red band ratio is essentially consistent with the normalized height method.【总页数】5页(P136-140)【作者】李莉;尹球;巩彩兰;许华;陈利雄【作者单位】中国科学院遥感应用研究所,北京,100101;中国科学院遥感应用研究所,北京,100101;上海市卫星遥感与测量应用中心,上海201100;中国科学院上海技术物理研究所,上海,200083;中国科学院遥感应用研究所,北京,100101;中国科学院上海技术物理研究所,上海,200083【正文语种】中文【中图分类】O433.4【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.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3.太湖水体时间序列叶绿素浓度与反射光谱特征分析 [J], 巩彩兰;周颖;尹球;匡定波;陈利雄;胡勇4.GF-1与Landsat8水体叶绿素a浓度协同反演——以太湖为例 [J], 封红娥; 李家国; 朱云芳; 韩启金; 张宁; 田淑芳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。
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。
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Sentinel-2_卫星遥感影像的巢湖及南淝河叶绿素a_浓度反演
收稿日期：2021-09-17修回日期：2023-02-14基金项目：国家自然科学基金(43971311)；安徽省科技重大专项(201903a07020014)。
作者简介：孙世举,1997年生,男,硕士研究生,研究方向为环境生态与资源管理。
E-mail:*****************通信作者：杨辉,1987年生,男,博士研究生,研究方向为深度学习遥感信息提取。
E-mail:***************.cn基于Sentinel-2卫星遥感影像的巢湖及南淝河叶绿素a 浓度反演孙世举1，徐浩2，吴艳兰1,3,4，吴鹏海1,3，杨辉5（1.安徽大学资源与环境工程学院，安徽合肥230601；2.北京空间飞行器总体设计部，北京100094；3.安徽省地理信息智能技术工程研究中心，安徽合肥230601；4.信息材料与智能感知安徽省实验室，安徽合肥230601；5.安徽大学物质科学与信息技术研究院，安徽合肥230601）摘要：叶绿素a 是反映水生态环境污染状况的重要指标，定量反演叶绿素a 浓度有助于及时监测水体营养状态变化，对富营养化水体治理具有重要意义。
以巢湖及南淝河支流下游为研究区域，利用Sentinel-2卫星遥感数据源，构建其叶绿素a 浓度反演模型，探究叶绿素a 浓度的时空变化规律。
结果显示，构建的深度神经网络（DNN ）模型反演精度较高（R 2=0.96，MRE=31.62%，RMSE=24.4μg/L ）。
通过分析减少训练样本量对DNN 模型精度的影响，发现训练样本较少时，模型仍具有较高的精度；根据其精度的敏感模型训练样本个数，将训练集按组等分，模型呈现较好的稳定性并具有一定的适用性。
分析表明，研究区叶绿素a 浓度在时间上呈现夏秋季上升、春冬季下降的规律，在空间上呈现湖区西高东低、局部近岸区分布较高的特点。
关键词：叶绿素a ；卫星遥感；浓度反演；巢湖；南淝河中图分类号：X835文献标志码：A文章编号：1674-3075(2023)04-0058-09近年来，淡水湖泊富营养化造成的藻类水华暴发问题日趋严重(钱瑞等，2022)。
基于环境一号卫星高光谱遥感数据的巢湖水体叶绿素a浓度反演_杨煜
k e S ci.(湖泊科学),2010,22(4):495-503http://www.jl akes.o rg.E-m ai:l jlakes@n i g Z Journal of Lake Sciences基于环境一号卫星高光谱遥感数据的巢湖水体叶绿素a浓度反演*杨煜,李云梅,王桥,王彦飞,金鑫,尹斌,张红(南京师范大学虚拟地理环境教育部重点实验室,南京210046)摘要:三波段模型是基于生物光学模型构建的叶绿素a浓度反演半分析模型,是目前反演内陆富营养化浑浊水体叶绿素a浓度效果较好的方法.本文通过星地同步实验,分析巢湖水体各组分光谱特征,分别基于地面实测数据与环境一号卫星高光谱遥感数据建立三波段模型反演巢湖水体叶绿素a浓度.结果表明,由于特征波段在不同数据源的位置不同,导致了两个模型波段选择及反演精度的差异.因此,只有在充分考虑遥感数据的光谱特征的条件下,分析遥感信息理论和实际图幅影像有效结合在一起的地物信息,才能进一步优化三波段模型的波段选择,实现遥感数据定量反演水体叶绿素a浓度的目标.关键字:叶绿素a;遥感;巢湖;环境一号卫星Retri e val of chl o r ophy l-l a concentrati o n by Thr ee-band model i n Lake ChaohuYANG Y u,L IYun m e,i WANG Q iao,WANG Y anfe,i JIN X i n,Y IN B i n&ZHANG H ong(Key Laboratory o f Virt u al G eograph ic Environm en t,M i n istry of Education,Nan ji ng Nor m a l Un i vers it y,Nan ji ng210046, P.R.Ch i n a)Abs tr ac:t Three-band m odel is a se m-i anal yti calm odel based on so m e assump ti ons of b i o-op ticalmodelp roperties,w h i ch is an ex-cellent model f or ch l orophyl-l a.The goal of t h is study i s to anal yze the feature of t h e reflectance spectrum by t h e data coll ected on the surf ace of the Lak e Chaohu and to synch ron iz ed i m ages of t he s atellite H J-1.The d ifferent l ocation of feat u re band s t u rns out that t w om odels have several d ifferences i n t he retrieval res oluti on s.Three bands of t w om od els are669nm/699n m/735nm and B73 (680.49-685.08nm)/B74(685.08-689.74nm)/B81(719.04-724.17nm)res pecti vel y.On l y wh en tak i ng t he f u ll con si der-ati on s of t he feat u re of re m ot e sens i ng data and anal yzing bot h re m ote sens i ng theory and i m age,w e can opti m i ze choi ces of the three bands and arch i ve t h e target of qu antit ati ve retri evi ng t he ch l orophyl-l a by re m ote sens i ng i m age.Keywords:C h l orophyl-l a;re m ote sens i ng;L ake Ch aohu;satellit e H J-1巢湖是我国第五大淡水湖泊,位于安徽省中部,紧邻工业发达的合肥市和巢湖市,位置介于东经117b16c54d-117b51c46d、北纬30b25c28d-31b43c28d之间.近年来,随着周边城市经济快速发展、人口急剧膨胀,巢湖水环境所承受的压力日益加剧,废水废渣的大量排放导致湖泊富营养化日益严重.每年6-10月西巢湖大面积暴发蓝藻水华,不仅破坏了湖泊生态环境,造成大量鱼虾死亡,水质恶臭,而且作为周边城市的水源地,严重影响到人们正常的生产生活秩序,带来了不可估量的经济、生态损失.因此,利用卫星遥感信息进行巢湖水表大面积藻类空间分布及动态的定量分析,无疑是非常必要和重要的[1].湖泊富营养化的直接表现是藻类物质的大量繁殖,而叶绿素a在藻类物质中所占比例稳定,且易于在实验室测定,因此,叶绿素a含量是作为反映湖泊富营养化程度的重要指标.当前,针对地面实测高光谱数据所开发的一系列半经验反演模型,如波段比值模型[2]、一阶微分模型[3]等都在巢湖叶绿素a浓度遥感反演中取得了较广泛的应用.李素菊等于2001年使用地面实测高光谱数据建立690n m反射率的一阶微分模型和R705nm/R680nm的波段比值模型估测了巢湖水体叶绿素a浓度,相关系数分别为0.66和0.70[4];胡雯等于*国家科技支撑计划/十一五0项目/基于环境一号等国产卫星的大型水体环境遥感监测应用技术与软件开发0 (2008BAC34)和国家自然科学基金/面向湖泊水色遥感的多源数据融合与生成研究0项目(40971215)联合资助.2009-08-17收稿;2010-01-12收修改稿.杨煜,女,1984年生,硕士研究生;E-m ai:l n j nuyangyu@126.co m.k e S ci.(湖泊科学),2010,22(4)2002年将NDVI指数运用于NOAA卫星影像中监测巢湖叶绿素a浓度以查看蓝藻水华的分布状况[5];荀尚培等于2009年根据巢湖水体实测数据建立了R705nm/R680nm的光谱反射率比值模型估算叶绿素a浓度,相关系数为0.75,并将其运用到MOD IS影像中进行反演,检验得到相关系数为0.5079[6].然而,有研究表明由于此类模型缺乏物理基础支持,只能根据实验数据的不同反演一定范围内的水质参数值,在一定范围之内,模型有着很好的反演精度,超出这个范围,模型反演的误差将明显增大,因而,当叶绿素a浓度过高时,此类模型不适合用来提取叶绿素a浓度信息[7].G itel son等曾基于植被、土壤等物质的光学传输机理提出了三波段式的半分析模型估算叶绿素含量[8],Zm i ba[9]、Dall.O l m o[10]等将该方法应用于水体叶绿素a浓度反演,开发了适于污染严重的富营养化浑浊内陆水体的叶绿素a浓度反演模型,大大提高了反演精度.M oses等进一步将三波段模型与MERIS、MOD IS影像结合反演叶绿素a浓度,成功估算出一些内陆湖泊、近岸海域和河口的叶绿素a浓度[11-12].国内的周冠华[13]、李云亮[14]、徐京萍[15]、马金峰[16]等在太湖、新庙泡、珠江河口应用地面采集的光谱数据建立三波段模型反演了相应水体的叶绿素a浓度,效果较好.结果表明,三波段模型在叶绿素a含量范围为4.4-3078m g/m3的富营养浑浊内陆水体的反演中精度较高.杜聪等[17]利用H yperion卫星影像构建三波段模型反演太湖水体叶绿素a浓度,认为B34(691.37nm)、B37(721.90n m)和B50 (854.18n m)组成三波段模型变量与叶绿素a浓度具有最高的相关系数,其反演精度优于传统经验统计模型.同时,Gitelson等的研究也表明,三波段模型中三个波段的选择往往会受到水色要素含量差异的影响而发生变化[18].因此,在不同的湖泊建立三波段模型,需要针对其水色要素对遥感反射率的响应特征选择合适的波段,从而提高叶绿素a浓度的反演精度.我国于2008年发射了第一颗专用于环境监测的环境一号卫星(H J-1),其上携带的超光谱成像仪,具有连续的高光谱波段设置和较短的重返周期.其中,连续的高光谱波段设置能够反映内陆水体光谱的微小变化,提高水色要素的反演精度;而较短的重返周期有利于实现对水体的大规模实时监测.因此,H J-1高光谱数据的应用满足了我国对水环境大范围动态监测的需求.然而受限于发射时间较短,目前还未有与此相关的研究.因此本研究将基于巢湖水体的光谱特征,分析三波段模型反演巢湖水体叶绿素a浓度的最优波段,并且将理论模型和实际图幅影像有效结合,在充分考虑水体水质参数光谱特征的基础上实现巢湖水体叶绿素a浓度的同步卫星遥感反演,从而实现H J-1对内陆水体的有效监测,这对于推进国产卫星及遥感技术在水环境监测中的应用具有重要意义.1材料与方法1.1采样时间及地点本文以位于安徽省境内的巢湖为研究区,于2009年6月13-17日在巢湖进行了星地同步实验.通过GPS布点,使用美国ASD公司生产的野外光谱仪(波段范围为325-1075n m)采集了共32个点位的水体表面反射率光谱数据,光谱数据采集方法参见文献[19].通过室内实验,同步实测了各个点位的叶绿素a浓度、悬浮物浓度和色素、非色素、黄质的吸收系数.其中,叶绿素a浓度测定采用热乙醇法[20],悬浮物浓度测定采用称重法[21],各组分吸收系数采用定量滤膜法[22].实验样点分布见图1.去掉受天气影响或水面白帽影响而使反射率数据过饱和的第1号和29号点位,利用剩余的30个点位进行数据分析和模型构建.对于所有样点,叶绿素a浓度最高值出现在位于西巢湖近岸的第32号点,达192.88m g/m3;而最低值出现在位于东巢湖的第5号点,是31.25m g/m3(图2).叶绿素a浓度均值为62.43m g/m3.对于所有样点,悬浮物浓度为17.8-63.55mg/L,均值为43.61mg/L.因此,巢湖叶绿素a浓度和悬浮物浓度都较高,是一个浑浊的富营养化二类水体.1.2H J-1高光谱遥感数据获取及处理H J-1高光谱遥感数据的空间分辨率为100m,时间分辨率为96h,光谱平均分辨率为5n m,共115个波段.在此次星地同步实验中,于6月13日获取一景高光谱影像.遥感影像的预处理主要包括水体提取、几何校正和大气校正.因而本文运用图形处理软件ENVI人工数字化提取巢湖水域,并去除湖中小岛;采用一幅已经过几何精纠正的TM影像为参考图进行几何校正;运用6S大气校正软件逐波段实现对该高光谱遥感影像的大气校正.杨煜等:基于环境一号卫星高光谱遥感数据的巢湖水体叶绿素a浓度反演497图1巢湖野外实验样点分布F ig.1Sa m pli ng stati ons i n L ake Chaohu图2各点位叶绿素a浓度示意F i g.2Concentration o f ch l o rophyl-l a i n30po i nts30个点位的影像原始DN值数据(图3a)、6S大气校正后遥感反射率数据(图3b)和地面实测高光谱遥感反射率数据(图3c)的比较见图3,对应高光谱谱段为650-817n m.比较大气校正前后的数据差异,发现校正后的数据在680nm附近出现了吸收峰、在700n m附近出现了荧光峰,这与相同谱段内地面实测高光谱遥感反射率数据的光谱特征呈现了一致性,然而校正后数据中的荧光峰位置较地面实测荧光峰要前置1-2个波k e S ci.(湖泊科学),2010,22(4)段.导致荧光峰前置的原因可能是由于光谱分辨率的不同造成,也可能是受到传感器通道设置的影响.地面实测高光谱遥感反射数据在750nm以后变化不大,没有表现出较强的波段依赖性,而校正后的H J-1高光谱遥感反射率数据在这段范围内仍出现了数个波峰、波谷,这与校正前的数据具有一致性.因而750n m以后的峰值和谷值可能是影像源数据带来的误差,经过大气校正后仍未能消除,不足以反映水色要素的光谱特征信息.图3H J-1校正前后高光谱数据与实测地面高光谱数据比较F i g.3R e flectance after a t m ospher i c correcti on versus or i g i nal re flectance data2结果与分析2.1水体组分光学特性分析18#样点处地面实验得到的各组分吸收系数及后向散射系数曲线图表明,非色素颗粒物吸收系数变化趋势和黄质吸收系数类似,都随着波段的增加呈指数衰减,两者分别在650n m和550n m以后开始接近于零值(图4).而色素吸收在580n m以前其数值远小于非色素吸收系数,因此,580n m以前,总吸收系数是由非色素和黄质的吸收系数所主导,同样是随波段增加呈现指数衰减的趋势,在440n m和500n m处的色素特征吸收峰表现不明显;580n m以后,总吸收系数变化趋势开始由色素吸收系数所主导,尤其是675n m附近叶绿素a的吸收峰直接导致了总吸收系数在此处有一个较大的峰值,但其后,色素的吸收也开始出现随波长增加而逐渐变小的趋势;710n m以后,随着水体中色素、非色素和黄质的吸收趋于零值,同时纯水的吸收随波段线性增加,总吸收系数开始趋于与纯水的吸收特征相似,其值也逐渐接近.此外,图4还表明后向散射系数是随着波段的增加而逐渐减小的,700n m以后,总后向散射小于0.1.2.2基于地面实测高光谱数据的模型构建三波段模型的具体形式为:(R r s(K1)-1-R r s(K2)-1)@R rs(K3)W Chl.a(1)根据建模原理,K1应该取值为色素吸收对遥感反射率影响最大且黄质、非色素颗粒物的吸收与总后向散射对遥感反射率的影响较小的位置,即红光波段内的叶绿素a吸收峰处;K2应该位于K1附近且叶绿素a 的吸收较小处,位于红光波段内的叶绿素a荧光峰能满足K2的选择要求;K3的选择条件为总吸收系数远大杨 煜等:基于环境一号卫星高光谱遥感数据的巢湖水体叶绿素a 浓度反演499图418#点位各组分吸收系数及后向散射曲线F i g .4T he curve of absorption and backscattering i n Po i nt 18于后向散射系数且不受叶绿素、非色素颗粒物和黄质吸收的影响,即遥感反射率主要受纯水吸收的作用[10].对K 1、K 2和K 3这三个最优波段的确定使用特征波段范围内迭代的方法进行优化选择.根据波段要求,结合上述对巢湖水体光谱特征的分析,K 1、K 2、K 3的取值范围分别是:650-690nm 、690-710n m 和710-750n m .运用地面实测30个点位数据在三个波段选择范围内分别进行迭代:从K 1开始,将K 2、K 3波段固定为700n m 和730n m ,在K 1的迭代范围内进行迭代,在结果中选取均方根误差最小、相关性最大的波段作为K 1的输出波段,加入到K 2的迭代中,完成K 2的迭代后继续迭代K 3,直至将三个波段迭代完成,再一次迭代K 1,若结果波段与第一次迭代相同,则已选出的三个波段为最优波段,否则,继续迭代,直至出现相同的迭代结果.迭代过程见图5.最终确定K 1、K 2、K 3分别为669nm 、699n m 和735n m .图5三波段模型迭代过程F i g .5F ou r steps of three -band m ode l t uning500 k e S ci .(湖泊科学),2010,22(4)图6模型(R rs (K 669)-1-R rs (K 699)-1)@R r s (K 735)反演效果F ig .6R etr i ev i ng result o f the m odel (R rs (K 669)-1-R rs (K 699)-1)@R r s (K 735)以R r s (K 669-1-R rs (K 699)-1)@R rs (K 735)为自变量,叶绿素a 浓度为因变量建立线性模型:Chl .a =450.48@R rs (K 669)-1-R rs (K 699)-1@R r s (K 735)+7.4129(2)使用统计方法作为检验反演值和实测值是否一致的评判标准.统计标准引用2种方法,即均方根误差(RMSE )和相对误差(RE ),表达式如下:R M SE =E n i =1(C hl .a mo d ,i -Chl .a obs ,i )2n (3)RE =Chl .a m od -Chl .a o bs Chl .a obs@100%(4)其中,Ch l .a mod 表示叶绿素a 浓度反演值,Ch l .a obs 表示叶绿素a 浓度实测值.平均相对误差的是对各相对误差取绝对值后的平均.通过计算,模型估测的最大相对误差为54%,最小相对误差为2%,平均相对误差为21%.均方根误差为13.42m g/m 3,远低于叶绿素a 浓度的平均值,说明三波段模型可以应用于巢湖的叶绿素a 浓度估算.图7地面实测高光谱数据建模反演精度示意F ig .7P red i c ted Ch.l a concen tra ti on by model bu ilt by data co ll ectedi n the exper i m ent versus m easured Ch.l a concentration杨煜等:基于环境一号卫星高光谱遥感数据的巢湖水体叶绿素a浓度反演5012.3基于H J-1高光谱数据的模型构建将模型(2)直接应用于高光谱影像反演叶绿素a浓度,发现反演结果出现了负值,并且叶绿素a浓度估值都偏小,说明需要利用高光谱影像数据,重新构建模型.在前述分析巢湖水体光学特征的前提下,基于H J-1高光谱数据,同样运用迭代方法选取三波段模型的最优波段.H J-1高光谱影像对应波段范围如表1.据此, K1、K2、K3的迭代范围分别是:B66-B73、B74-B79、B80-B86.表1H J-1高光谱数据波长范围T ab.1W ave length range of H J-1B 起始波长(nm)中心波长(nm)终止波长(n m)B起始波长(nm)中心波长(nm)终止波长(nm)66650652.09654.1877699.24701.66704.08 67654.18656.305658.4378704.08706.54709 68658.43660.575662.7279709711.495713.99 69662.72664.9667.0880713.99716.515719.04 70667.08669.285671.4981719.04721.605724.17 71671.49673.725675.9682724.17726.77729.37 72675.96678.225680.4983729.37732.01734.65 73680.49682.785685.0884734.65737.33740.01 74685.08687.41689.7485740.01742.725745.44 75689.74692.095694.4586745.44748.195750.95 76694.45696.845699.24最终,迭代结果显示,三个最优波段相应是:B73、B74和B81.反演模型为:Chl.a=959.88@[(B73-1-B74-1)@B81]-4.0858(5)将模型(5)运用到H J-1高光谱遥感影像中进行叶绿素a浓度反演,并在ArcGIS软件中根据叶绿素浓度进行分级制图,结果见图8.图8H J-1高光谱影像叶绿素a浓度反演示意F i g.8Spatia l d i str i bution o f ch l o rophy l-l a concen trati on i n L ake Chaohu retrieved by H J-1hype rspectra l i m age反演结果显示,在西巢湖北部沿岸,叶绿素a浓度较大,其中,在东西巢湖分界处,有大量的浮游藻类漂浮,造成叶绿素a浓度较高,最高达219m g/m3,是湖中浓度最大的区域;而西巢湖的南部及东巢湖叶绿素a 浓度都相对较小,基本在60mg/m3以内,局部地区出现大于60m g/m3左右浓度的点位.这个结果与星地同步实验过程中实测点位浓度及现场查看的结果是一致的.将30个点位的叶绿素a浓度反演值与地面实测值比较,结果如图9.其中,均方根误差为22.99mg/m3,平均相对误差为33%,最小相对误差为5%,最大相对误差为93%.误差最大的三个样点叶绿素浓度分别为k e S ci.(湖泊科学),2010,22(4)图9巢湖30个点位反演精度F ig.9P red i c ted Ch.l a concen trati on vers usm easured Ch.l a concentra ti on 192.9mg/m3、165.8m g/m3和152.5mg/m3.地面观测时,这三个点位处有大量藻类漂浮,由于卫星数据与地面观测不完全同步,并且影像高光谱数据的空间分辨率为100m,其反映的是混合像元的光谱信息,因此,导致在这些样点反演的叶绿素a浓度偏低.3讨论与结论本文分别利用地面实测高光谱数据和H J-1高光谱遥感数据建立了叶绿素a浓度反演三波段模型.其中地面实测数据建立的模型估算巢湖30个点位水体叶绿素a 浓度的平均相对误差仅21%,决定系数R2为0.8688,较于引言所述在巢湖建立的其他叶绿素a浓度反演模型其精度较高,说明对于巢湖这种富营养化浑浊水体,波段比值模型和一阶微分模型作为经验模型,建模过程中缺少对其它组分影响的弱化,导致叶绿素a浓度估算的误差增大,而三波段模型正是通过基于水体光谱的特征分析与水体各组分在特征波段贡献的全局考虑,近似推导生物光学模型,实现了对叶绿素a浓度的最优估测.周冠华等同样利用太湖水体实测高光谱数据建立三波段模型,模型均方根误差仅为样本极大极小值差的8%,R2为0.84,认为三波段模型有效地解决了高浓度悬浮物主导光学特性的水体叶绿素a浓度定量反演问题[13].其模型选择的最优波段分别是666n m、688nm 和725n m,这与本研究在巢湖选择的669n m、699n m和735n m三个最优波段有一定偏差,主要是由于两个湖泊水体组分含量差异所导致.因此,三波段模型在各个湖区的外推性还有待进一步验证.H J-1数据建立模型的R2为0.73,模型估算巢湖影像中30个点位的水体叶绿素a浓度,有60%的样点相对误差小于30%.因此,根据H J-1影像数据建立的三波段模型可用于巢湖水体叶绿素a浓度的定量遥感反演,效果较好.比较地面实测高光谱数据和H J-1高光谱遥感数据建立的三波段模型的波段选择,发现最优波段位置出现偏移,地面实测数据建立模型的三个波段是:669n m、699n m和735n m,而H J-1数据建立模型的三个波段分别是B73(680.49-685.08n m)、B74(685.08-689.74n m)和B81(719.04-724.17n m).引起这个差异主要的原因是两个数据源中红波段反射谷与荧光峰在大气校正后的遥感影像中的位置和地面实测高光谱遥感反射率中的位置有所偏差.因此,利用卫星影像构建叶绿素a反演模型时,应综合考虑影像数据的光谱分辨率和大气校正效果对反演模型中参数选择的影响.4参考文献[1]佘丰宁,李旭文,蔡启铭等.水体叶绿素含量的遥感定量模型.湖泊科学,1996,8(3):201-207.[2]G itel son AA,Garbuzov G.Quan titati ve re m ote sensi ng m et hods for rea-l ti m em on it ori ng of i n l and w aters quali ty.In t J R e-m ote Sensi ng,1993,14(7):1269-1295.[3]Rundqu i tst DC,H an L,S challes JF e ta l.R e motem easure m en t of al gal ch l orophyll i n s u rfacew aters:the cas e f or t h e firstderi vati ve of refl ect an ce near690n m.P hoto g ramm E ng Re m ot e S e n si ng,1996,62:195-200.[4]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.湖泊科学,2002,14(3):230-233.[5]胡雯,杨世植,翟武全.NOAA卫星监测巢湖蓝藻水华的试验分析.环境科学与技术,2002,25(1):16-17.[6]荀尚培,翟武全,范伟.M ODIS巢湖水体叶绿素a浓度反演模型.应用气象学报,2009,20(1):95-101.[7]吕恒,江南,李新国.内陆湖泊的水质遥感监测研究.地球科学进展,2005,20(2):185-192.[8]G itelson Anat o l y A,Gritz Yu r,i M erzl yak M ar k N.Relati on s h i p s bet w een leaf ch l orophy ll con tent and s pectral refl ectanceand al gori thm s f or non-des tructi ve ch l orophyll asses s m ent i n h i gher p lant leaves.Journa l of P l an tPhysiology,2003,160: 271-282.[9]Zi m ba Paul V,G itels on Anat o l y A.Re m ote esti m ati on of ch l orophyll concen tration i n hyper-eutroph ic aqu ati c sys t e m s:M odel t un i ng and accuracy opti m iz ati on.Aqua c u lt ure,2006,256:272-286.[10]Dall.Ol mo G,G i tels on AA.E ffect of b io-optical para m eter vari ab ility on t h e re m ote esti m ati on of ch l orophy l-l a con cen tra-杨煜等:基于环境一号卫星高光谱遥感数据的巢湖水体叶绿素a浓度反演503ti on i n turb i d producti ve w at ers:experi m en tal results.App lie d Optics,2005,44(3):412-422.[11]M os esW J,G it elson AA,B erdn i kov S.Satellite esti m ati on of c h lorophyl-l a concentrati on us i ng t he red and N I R b ands ofM ERIS)Th e Azov Sea case study.IEEE G e oscie nce and R e m ote S e n sing L etters,2009,6(4):845-849.[12]M os esW J,G i tels on AA,Berdn i kov S.E sti m ati on of ch lorophy l-l a concen trati on i n cas eÒw aters u si ng MODIS andM ERIS dat a)successes and challenges.E nvironm e n t a l R esearc h L etters,2009,4(4)(do:i10.1088/1748-9326/4/4/ 045005).[13]周冠华,柳钦火,马荣华等.基于半分析模型的波段最优化组合反演混浊太湖水体叶绿素a.湖泊科学,2008,20(2):153-159.[14]李云亮,张运林,李俊生等.不同方法估算太湖叶绿素a浓度对比研究.环境科学,2009,30(3):680-686.[15]徐京萍,张柏,宋开山等.基于半分析模型的新庙泡叶绿素a浓度反演研究.红外与毫米波学报,2008,27(3):197-201.[16]马金峰,詹海刚,陈楚群等.珠江河口混浊高产水域叶绿素a浓度的遥感估算模型.热带海洋学报,2009,28(1):15-20.[17]杜聪,王世新,周艺等.利用H yp eri on高光谱数据的三波段法反演太湖叶绿素a浓度.环境科学,2009,30(10):2904-2910.[18]G itel son AA,Dall p Ol mo G,M osesW et a l.A s i m p le s e m-i analyticalmodel for re m ote esti m ation of chlorophyl-l a i n t u rb i dw at ers:Validati on.R e m ote Sensi ng of Env i ronm e n t,2008,(12):3582-3593.[19]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.遥感学报,2004,8(1):37-44.[20]陈宇炜,陈开宁,胡耀辉.浮游植物叶绿素a测定的/热乙醇法0及其测定误差的探讨.湖泊科学,2006,18(5):550-552.[21]黄祥飞,陈伟民,蔡启铭.湖泊生态调查观测与分析.北京:中国标准出版社,1999.[22]戴永宁,李素菊,王学军.巢湖水体固有光学特性研究.环境科学研究,2008,21(5):173-177.。
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。
- 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)。
绿素 a 浓度的单位吸收系数和荧光量子产率均为常
数, 而实际上这 2 种固有光学量会因浮游植物的生 理状态和组织结构的不同而发生很大的变化[ 9] , 因
收稿日期: 2008-11-26; 修订日期: 2009-02-13 基金项目: 中国科学院重大 交叉项目 ( KZCX1-YW-14-2) ; 国家自然 科
第 30 卷第 10 期 2009 年 10 月
环 境科 学 ENVIRONMENTAL SCIENCE
Vol. 30, No. 10 Oct. , 2009
利用 Hyperion ห้องสมุดไป่ตู้光谱数据的三波段法反演太湖叶绿 素 a 浓度
杜聪1, 2 , 王世新1 , 周艺1, 阎福礼1
( 11 中国科 学院遥感应用研究所, 北京 100101; 21 中国科学院研究生院, 北京 100049) 摘要: 以 2004-08-19 太湖野外试验所获取的水质数据( 叶绿素 a 浓度 718~ 15413 Lg# L- 1, 总悬浮物浓度 6510~ 1901 2 mg#L- 1 , N = 38) 和同步的 Hyperion 星载高光谱数据为研究对象, 利用三波段算法反演太湖水体的叶绿素 a 浓度. 通过分析 太湖固有光 学 量的特点, 提出适用于太湖的 3 个特征波段的选择依据, 并对波段进行优化计 算, 在 此基础上建 立了三波 段统计模型, 最后 对 模型的反演精度进行分析与评价. 结 果表明,Hyperion 的 B34( 691137 nm) 、B37( 721190 nm) 和 B50( 8541 18 nm) 组成 三波段模型变 量与叶绿素 a 浓度具有最高的相关系数( r = 01934) , 模型的决定系数( R2 ) 和均方根误差( RMSE) 分别为 01 872 和 13193 Lg#L- 1 , 其反演精度优于传统经验统计模型, 如比值模 型( R 2= 01844, RMSE= 15141 Lg#L- 1 ) 和一阶微 分模型( R2 = 01 831, RMSE= 16100 Lg#L- 1 ) . 研究结果证实了三波段法适用于内陆富营养化浑浊水体和 Hyperion 高光谱数据, 为今后更精确地反演 内陆水体的 叶 绿素 a 浓度提供了参考依据. 关键词: 叶绿素 a; 三波段模型; Hyperion; 高光谱; 太湖 中图分类号: X87 文献标识码: A 文章编号: 0250-3301( 2009) 10-2904-07
当 遥感 技 术成 为 水环 境监 测 的 有效 工 具 之 后[ 1] , 如何 利用 遥 感数 据来 获取 水体 的 叶绿 素 a ( Chla) 浓度就一直是水质监测领域的重点. 虽然针 对大洋一类水体的叶绿素 a 浓度反演早在 20 世纪 70 年代就已获得了成功并进行了业务化运行[ 2, 3] , 但对内陆二类水体的叶绿素提取却依旧困难重重. 其主要原因是内陆水体成分复杂, 特别是悬浮泥沙 与黄色物质的增多影响了叶绿素对光谱的响应, 因 而反演精度始终无法满足实用化的需求[4] .
Hyperion in Taihu Lake on Aug. 19, 2004
红外波段( SWIR) , 共计 242 个波段. 其中有 198 个波 段经过 了 辐射 定标 处 理, 且 VNIR 有 2 个 波 段与 SWIR 重叠, 因此实际可以使用的独立波段只有 196 个, 波长 范围 426182~ 2 39515 nm, 波段 间隔 约 10 nm[ 15] . 虽然 L1R 产品已经经过了辐射定标, 但还需 要进行一系列预处理才能得到所需的反射率数据. 首先需要对 Hyperion 影像进行辐射校正, 将像元值 转化为绝对辐射值[15] ; 然后进行大气校正以消除大 气的 影 响, 为 了 保 证 校 正 的 精 度, 本 研 究 采 用 MODTRAN-4 软件进行校正处理, 通过调整气溶胶光 学厚度和水汽参数, 进行辐射传输模拟, 最终确定其 大气校正参数, 其校正结果与水体实测光谱的相关 系数在 0190 以上[ 16] ; 使用1B50 000地形图进行几何 精纠正, 纠正的平均误差为 0150 个像素; 最后将辐 射值转化为光谱反射率. 同时为了消除噪声, 还对图 像进行了 5 @ 5 的低通滤波处理, 使图像的环境噪音 等效差异[17] < 011% , 可 以很好地满足 内陆水质监 测的精度要求.
学基金项目( 40671141, 40701126) 作者简介: 杜聪( 1980~ ) , 男, 博士研究生, 主要研究方向为水环境 遥
感, E-mail : ducong- temp@ yahoo. com. cn
10 期
杜聪等: 利用 Hyperion 高光谱数据的三波段法反演太湖叶绿素 a 浓度
1 数据获取与预处理
111 水质数据获取 水质数据采用先野外试验采集水样, 后由实验
室分析的方法获取. 本次野外试验是 2004- 08-19 专 门针对 Hyperion 设计的卫星同步实验. 样点分布在 太湖富营养化最严重的梅梁湾和梅梁湾至湖心的主 航道附近水域, 共获得 38 个测 点( 图 1) . 试 验的内 容主要包括水样采集, 风速、水温和透明度的测定, 以及 GPS 点位测量. 采集的水样冷藏保存后在实验 室内进行叶绿素 a 浓度和总悬浮物浓度( TSS) 等水 质参数的测定. 其中, 叶绿素 a 采用 90% 的热乙醇萃 取, 利用分光光度计进行测量, 最后通过公式计算得 到其浓度[ 14] . 此外, 为了分析水体的固有光学量, 还 测量了叶绿素 a、无机悬浮物和黄色物质 400~ 750 nm 处的吸收系数. 112 Hyperion 数据预处理
本研究采用的 Hyperion 影像为 Hyperion L1R 数 据产品, 卫星过境时间与地面试验同步. L1R 数据产 品包括 70 个可见- 近红外波段( VNIR) 和 172 个短波
图 1 2004-08-19 日太湖采样点位置及 Hyperion 成像区域 Fig. 1 Locat ion of samples and the imaging area of
Remote Chlorophyll a Retrieval in Taihu Lake by Three-band Model Using
Hyperion Hyperspectral Data
DU Cong1, 2 , WANG Sh-i xin1 , ZHOU Yi1 , YAN Fu- li1
( 11Institute of Remote Sensing Applications, Chinese Academy of Sciences, Beijing 100101, China; 21Graduate University of Chinese
Academy of Sciences, Beijing 100049, China)
2 905
而这种方法也存在着一定的缺陷. 最近, Dall. Olmo 等[ 10, 11] 提出了一种三波段概念
模型来反演内陆水体的叶绿素 a 浓度, 如式( 1) . Chla W [ R- 1 ( K1 ) - R- 1 ( K2 ) ] @ R( K3 ) ( 1)
该模型以生物光学模型为基础, 使用 3 个特征 波段的组合利用统计的方法反演叶绿素 a 浓度. 与 传统的经验模型相比, 它具有严谨的理论推导和清 晰的物理涵义; 同时, 模型中不涉及任何固有光学参 数, 因而比生物光学模型更容易应用和推广. 该模型 已在一些内陆湖泊和海湾中得到了应用, 如 Gitelson 等[ 12] 和 徐京 萍等[ 13] 分 别利用 三波 段模 型 在美 国 Chesapeake 湾和吉林新庙泡湖进行叶绿素 a 反演, 均 取得了较好的效果. 但由于这些应用仅限于地面实 测光谱数据, 该模型对于遥感数据的适用性还需作 进一步检验.
Abstract: To retrieve chlorophyll a ( Chla) concentration in Taihu Lake by three- band model, a field study was conducted on August 19, 2004 to collect water samples ( N = 38) , which contained widely variable Chla ( 718- 15413 Lg# L- 1 ) and total suspended solids ( 6510-19012mg# L- 1 dry wt) , and the synchronous Hyperion images was also acquired as remote sensing data. After obtaining the approximate range of wavelengths for the three bands by analyzing the inherent optical properties of Taihu Lake, the three- band models were spectrally tuned to select the bands for most accurate Chla estimation. Finally Hyperion B34 ( 691137 nm) , B37 ( 721190 nm) and B50 ( 854118 nm) were selected to establish a three- band model. The results show that strong linear relationship is found between analytically measured Chla and the three-band model ( r = 01934) , which accounts for 8712% of variation in Chla and allows estimation of Chla with a root mean square error ( RMSE) of 131 93 Lg#L- 1 , whereas the traditional two- band models accounts for lower accuracies of Chla estimation ( spectral ratio, R2 = 01 844, RMSE = 15141 Lg#L- 1 , and reflectance firs-t derivative, R2 = 01831, RMSE= 161 00 Lg# L- 1 ) . The findings prove that the three- band model is applicable for Chla retrieval in turbid, productive inland waters and by using Hyperion hyperspectral data. Key words: chlorophyll a ( Chla) ; three-band model; Hyperion; hyperspectral; T aihu Lake