八、高光谱遥感应用—水质参数反演解读
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
摘
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
（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。
遥感生物量反演反演原理-概述说明以及解释
遥感生物量反演反演原理-概述说明以及解释1.引言1.1 概述遥感生物量反演是利用遥感技术对地表物质进行监测与测量，通过反演算法来估算生物量密度的一种方法。
在生态环境监测、资源管理和气候变化研究等领域具有重要的应用价值。
本文旨在探讨遥感生物量反演的原理及其在环境研究中的应用，以期为相关研究提供参考和借鉴。
遥感技术为生物量反演提供了全新的视角和手段，可以实现对辽阔地域范围内生物量的遥感监测和评估。
通过对地表反射、辐射和散射数据的提取和分析，结合地面实测数据和数学模型，可以精确地反演出不同植被类型的生物量分布情况。
这种非接触式的监测方法极大地提高了生物量反演的效率和精度，同时也为科学研究和资源管理提供了更加便捷的工具和手段。
在未来的发展中，随着遥感技术的不断创新和完善，遥感生物量反演将更加深入到生态环境监测、碳汇评估和气候变化研究等领域。
同时，对于生物量反演算法和模型的进一步优化和改进也将成为未来研究的重点之一。
希望通过本文的探讨和总结，可以为遥感生物量反演的研究和应用提供一定的参考和指导。
1.2 文章结构:本文将分为三个主要部分，即引言、正文和结论。
在引言部分，将对遥感生物量反演的概念进行概述，介绍文章的结构和目的。
在正文部分，将从遥感技术的概述开始，然后详细解释生物量反演的原理，最后探讨其应用与发展。
在结论部分，将总结生物量反演的原理，讨论其实际应用意义，并展望未来的发展方向。
通过这三个主要部分的论述，读者可以全面了解遥感生物量反演的反演原理及其在现实中的应用和未来的发展前景。
1.3 目的目的部分的内容：本文旨在深入探讨遥感生物量反演的反演原理，通过对遥感技术和生物量反演的基本概念进行介绍，进一步阐述生物量反演原理的相关理论与方法。
同时，通过对该技术在实际应用和发展趋势进行分析，探讨生物量反演在资源监测、环境保护和生态研究等领域的潜在意义。
最终，通过总结反演原理及其实际应用意义，展望未来遥感生物量反演技术的发展方向，为相关领域的研究提供参考和借鉴。
遥感技术应用在水质监测中的问题趋势
遥感技术应用在水质监测中的问题趋势遥感技术应用在水质监测中的问题趋势文章标题：遥感技术应用在水质监测中的问题趋势摘要：本文简述了遥感在水质监测中的意义，遥感监测的一些基本理论、机理及过程，主要综述了遥感在水质监测中常用的遥感数据即多光谱遥感数据、高光谱遥感数据以及新型卫星遥感数据，并且讨论了遥感技术在这一领域仍存在的问题和今后的发展趋势。
关键词：遥感水质监测遥感数据1水体遥感监测的基本理论1.1水体遥感监测原理、特点。
影响水质的参数有：水中悬浮物、藻类、化学物质、溶解性有机物、热释放物、病原体和油类物质等。
随着遥感技术的革新和对物质光谱特征研究的深入，可以监测的水质参数种类也在逐渐增加，除了热污染和溢油污染等突发性水污染事故的监测外，用遥感监测的水质数据大致可以分为以下四大类：浑浊度、浮游植物、溶解性有机物、化学性水质指标。
利用遥感技术进行水环境质量监测的主要机理是被污染水体具有独特的有别于清洁水体的光谱特征，这些光谱特征体现在其对特定波长的光的吸收或反射，而且这些光谱特征能够为遥感器所捕获并在遥感图象中体现出来。
如当水体出现富营养化时，浮游植物中的叶绿素对近红外波段具有明显的“陡坡效应”，故而这类水体兼有水体和植物的光谱特征，即在可见光波段反射率低，在近红外波段反射率却明显升高。
1.2水质参数的遥感监测过程。
首先，根据水质参数选择遥感数据，并获得同期内的地面监测的水质分析数据。
现今广泛使用的遥感图象波段较宽，所反映的往往是综合信息，加之太阳光、大气等因素的影响，遥感信息表现的不甚明显，要对遥感数据进行一系列校正和转换将原始数字图像格式转换为辐射值或反射率值。
然后根据经验选择不同波段或波段组合的数据与同步观测的地面数据进行统计分析，再经检验得到最后满意的模型方程（如图）。
图1：遥感监测水质步骤简图2水质遥感监测常用的遥感数据2.1多光谱遥感数据。
在水质遥感监测中常用的多光谱遥感数据，包括美国Landsat卫星的MSS、TM、ETM 数据，法国SPOT卫星的HRV数据，气象卫星NOAA的AVHRR数据，印度遥感IRS系统的LISS数据，日本JERS卫星的OPS(光学传感器)接收的多光谱图像数据，中巴地球资源1号卫星（CBERS--1）CCD相机数据等。
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。
基于高分遥感卫星影像的汤逊湖水质遥感反演
______________________________________________________________________________________________o水利信息化D0l：10.166$6/ki.10-1326/TV.202$.05.15基于高分遥感卫星影像的汤逊湖水质遥感反演马方凯1高兆波1叶帮玲2(1.长江勘测规划设计研究有限责任公司，湖北武汉430010；2.湖南航天远望科技有限公司，湖南长沙410205)【摘要】本文通过对2019年1月、8月高分二号、高分六号影像以及相应时期的实测水质数据，建立水质参数与最佳特征波段或波段组合的回归方程,对武汉汤逊湖的氨氮、总磷和化学需氧量进行遥感反演，并对3种水质参数进行综合评价，探讨各水质参数浓度的影响因素。
结果表明：3种水质参数中反演精度高低依次为化学需氧量、总磷、氨氮;从水质综合评价结果来看，汤逊湖2019年1月综合水质状况要优于8月'根据水质参数反演结果,汤逊湖中部的水质状况总体优于沿岸水域。
综上所述，通过遥感技术对汤逊湖进行水质反演，获取了相应时期3种水质参数浓度的空间分布数据，可为汤逊湖生态环境保护的研究和决策提供重要科学依据。
【关键词】汤逊湖；水质参数;遥感反演中图分类号：X832 文献标志码：-文章编号：2096-0131(2021)05-069-07Remote sensing inversion of Tangxun lake water quality based onhigh scors remote sensing satellite imageMA Fangkai1,GAO Zhaobo1,YE Bangling2(1.Changjiang Survey#Planning,Design and Research Co.,Ltd.#Wuhan430010,China*2.Hu'nan Aerospace Yuanwang Technology Co.,Ltd.,Changsia410205,China)Abstract:Based on the GF-2and GF-6images in Januaa and August of2019and the measured water quality date in corresponding periods,the agassion equation of water quality parameters and the best characteristic band or combination of bands was established,and the ammonia nitaven,total phosphorus and chemical oxygen demand of Tangxun Lake in Wuhan were retrieved bg remote sensing,and the three water quality parameters were compahensivelg evaluated,and the ineiu0ncingeactoasoeth0conc0ntaation oe0ach wataquaiitgpaaam0taw0a0discu s0d.Th0asuitsshowthatth0ine0asion accuracy of3water quality parameters is chemical oxygen demand,total phosphorus and ammonia nitaven in turn；From the results of comprehensive water quality evaluation,the comprehensive water quality of Tangxun Lake in Januaa2019ft better than that in August；According to the inversion results of water quality parameters,the water quality in central Tangxun Lake is betcr than that in coastal waters.To sum up,the water quality of Tangxun Lake was retrieved bg remote sensing technolovg,and the spatial distObution date of the concentration of3water quality parameters in the corresponding period were obtained,which can provide impofant scientific basis for the research and decision-making of ecolovical environment protection of Tangxun Lake.Key worSs:Tangxun Lake；water quality parameters；remote sensing inversion收稿日期：2020-11-10作者简介：马方凯(1983-),男，高级工程师，博士，主要从事城市水生态环境设计工作$・69・水咨源开发与管理2021年第5期随着经济社会的发展,城镇人口不断增加,工业废水、生活污水的排放量日益增长,水污染呈恶化态势,水污染和水资源短缺成为制约中国可持续发展的瓶颈因素。
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
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。
基于无人机高光谱遥感的水质参数反演研究
基于无人机高光谱遥感的水质参数反演研究发布时间：2022-04-21T07:17:25.620Z 来源：《中国科技信息》2022年1月中作者：寇立权[导读]天津市政工程设计研究总院有限公司寇立权 300000摘要：为准确、合理地对大面积的河流进行水体富营养化监测及评价，本文将流经山东德州与河北沧州交界的漳卫新河部分区域作为研究区域，获取整条河段水体高光谱数据和对20个采水样进行了指标测定。
然后经数据归一化处理、一阶微分处理的手段对获取的高光谱数据进行分析，获取各水质参数的敏感波段，进而对漳卫新河水体中的总氮(TN)、总磷(TP)的进行高光谱模型构建，分析结果发现：①漳卫新河总氮的敏感波段为657.7nm和926.3nm，总磷的敏感波段为445.2nm和762.8nm；②一阶微分处理的相关效果优于归一化处理，归一化加一阶微分处理的效果优于一阶微分处理的效果。
关键词：无人机；高光谱；总氮；总磷；反演1．概述河流与人类生活的环境愈来愈密切，但由于河流长期暴露于地表，其中氮、磷等物质成为导致藻类大量繁殖和水体富营养化的关键因子，因此,对水体中的氮、磷等元素进行大范围监测具有重要意义。
传统的监测方法通常使用定点定剖面采样分析的方法，不能够及时给出这些水质参数的时空间分布状况。
通过遥感反演的方法获取水体中的氮、磷等物质的含量，从宏观角度获取的监测数据，有效地改变了传统的监测方式，告别了耗时、费力、片面的局面，实现了由点到面的提升。
此外，搭载在飞机平台的高光谱成像仪相比于搭载在卫星上的成像仪，有着更高的光谱分辨率和空间分辨率，在2005年段洪涛等根据高光谱数据与实测叶绿素a、总磷、总氮数据之间的相关关系，从而对水体中总磷、总氮进行了反演[1]；在2017年张海威等对艾比湖流域地表进行了总磷、氨氮、水体悬浮物光谱诊断，采用微分法和反射率变换法以及偏最小二乘法有效地反演了TN、TP、SS空间分布特征[2]。
2.研究区概况测区位于德州市区东北方向2公里处，监测河段平均河宽90米。
七、高光谱遥感应用
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
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
浅析遥感反演技术在水质参数监测方面的应用
2015.1黑龙江教育·理论与实践作者简介：孙李一楠（1995－），女，辽宁锦州人，研究方向：地理教育。
一、引言水资源匮乏已成为一个全球面临的难题，也成为制约经济社会发展的一个瓶颈，甚至在很多国家连居民的基本生活用水都难以保证。
因此，各国专家都在致力于水资源的开发、探索中，尤其是地下水资源的勘探及海水的水质监测、净化方面。
正是基于这种实际的需要，水质领域的研究者也在运用新的技术手段探索水质参数监测的方法。
研究者对地下水质及海水水质参数的研究，是为了满足不同用户对水质的要求。
通过对地下水演变及成因进行分析、研究，可以找到解决水资源短缺的办法，实现水资源的持续利用。
遥感技术在水资源的勘探及水质检测方面为工作者提供了技术支持及保障。
当前，遥感反演技术在水质参数监测上的应用已经较为成熟，并为解决人类水资源匮乏作出了巨大贡献，尤其是在深层地下水资源的勘探，海水水质参数的监测上。
二、传统的水质监测技术随着工业的发展及人类生活、生产形成的废水越来越多，只靠古老的、自然的水循环已难以解决水资源的污染问题。
同时，再采用传统的水质监测、水质采样分析的方法，将无法满足用户对水质的需求。
因为传统的采样分析方法，是在不同的河段进行采样，然后将采样放置在容器内静置，并通过物理的、化学的方法分离、监测水质，分析水中所含有的各种成分，得出水质参数及指标。
这种监测方法会受到采样点空间分布密度的限制，不能客观、全面地反映需要监测的水域的真实情况。
在监测的过程中耗费时间较长、成本也比较高、效率低下，有时得出的结果也不尽人意。
随着人们对水质要求的不断提高及要求的多样化，传统的水质监测技术已略显无能为力。
科学技术的发展，为水质的监测提供了新的手段、方法，尤其是遥感技术在水浅析遥感反演技术在水质参数监测方面的应用孙李一楠（哈尔滨师范大学教师教育学院，黑龙江哈尔滨150025）摘要：水资源短缺已成为全球面临的一个难以解决的问题，同时人们在生产、生活中又对水质参数标准提出了不同的要求，传统的水质监测技术也无法满足越来越精细的水质要求，亟需新的水质参数监测方法。
海洋与内陆水体高光谱遥感
水体成分的固有光学特性与模型
水体各成分的后向散射
遥感获得是水体后向散射的信息，因此水体成分的后向散射 特性对遥感反演模型的建立具有关键性的作用
水体成分吸收特征
纯(海)水(w)、及典型的叶绿素（C）、悬浮 泥沙(X)、黄色物质(Y)的光谱吸收特征
二类水体固有光学特性
国际上普遍认为，二类水体固有光学特性与 大洋水体的主要差异在： (1)区域性悬浮泥沙的吸收与散射特性； (2)在高泥沙含量区的叶绿素吸收特性与大洋 水体的叶绿素有一定差异； (3)黄色物质光谱吸收特性也有很强的陆源变 化，主要体现在式(3.7)中e指数的S上。 aY()=aY(0)exp[-S(-0)]
6)当水体十分浑浊时，412nm左右篮波 段值在一个很小的范围内变化；
7)赤潮水体光谱与正常光谱有很大的区别。
水色要素反演
(1)经验模型，主要基于离水辐亮度与某一成 分之间的统计关系；
(2)半分析模型, 借助于固有光学量与成分之间 的物理关系和表观量与固有光学量之间的 经验关系，导出遥感量与水体成分之间的 关系；
• 固有光学量(Inherent Optical Properties, IOPs)是指只与 水体成分有关而不随光照条件变化而变化的量，包括：
(1)水分子的吸收系数aw、散射系数bw、散射相函数w； (2)Chl-a的吸收系数ac、单位吸收系数(Specific absorption coef.)，散射系数bc、单位散射系数、后向散 射系数bb、前向散射系数bf、散射相函数； (3)黄色物质的单位吸收系数
5. TDI技术扫描成像，没有类似MODIS、HY-1 COCTS上 的多元并扫条带。
水色遥感定量化的要求及其定标/检验
海洋遥感应用对定量精度有严格的要求,以美国的SeaWiFS的精度目标为 例(一类水体 Case-I water)： 叶绿素浓度反演误差 <35% 离水辐亮度绝对误差 <5% 相对误差 <1% 按照上述要求，可导出遥感器、大气算法、现场仪器的不确定度 (uncertainty)为： *遥感器辐射定标 <5%(Hooker et al 1992, p1) 相对误差 <1% 波段之间 <5% *大气修正算法 <5%(Gordon & Wang 1994, p445) *现场测量仪器定标 <3%(Mueller & Austin 1995, p14) 相对误差 <1% *现场数据分析处理 <5%(Siegel et al 1995)
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。
八、高光谱遥感应用—水质参数反演
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
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 6பைடு நூலகம்0 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。
的方法同时计算得到r值和水质参数。
在内陆水体中，由于水体浑浊，离水辐射相对较高，因而r的误差带来的 Lw的误差较小。因而可以选择相当简便的确定的r的方法，如上面的方法 1、2、3。
10
8.2 水体表观光学量
刚好在水面以下的辐照度比R(0-) 是建立水体表观光学量和固 有光学量的关系也就是生物光学模型的重要参数。
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。
水质反演
航空和航天传感器所接收到的海面信息，取决于海水对辐射的吸收和散射。
这些吸收和散射与海水中悬浮泥沙、浮游生物、可溶性有机物(黄色物质)、污染物质等的组成和含量密切相关。
不同可见光波段影像通过目视判读，或以各种不同模式计算机图像运算处理，可以获得水面悬浮泥沙、浮游生物(叶绿素)、可溶性有机物等方面的遥感专题信息。
海面表层温度(简称海温SST)是海洋的主要物理参数之一，海温与海洋中上层鱼类的生存、洄游、繁殖有着密切的关系，是研究大气环流和气候变化等气象课题的一个重要因子。
遥感数据源主要是以美国NOAA极轨气象卫星A VHRR数据为主，还有利用日本空间分辨率较低的GMS静止气象卫星、欧洲遥感卫星ERS3/1和我国自行发射的海洋卫星“HY3/1”的传感器数据等开展SST反演研究。
利用现有遥感技术建立的海温反演模型有两种求解方法：一种是理论方法—基于大气物理模型的方法，该方法要求对大气及海洋各项参数有较准确的了解，并对其物理机制及相互间关系能正确的描述,该方法的优点是准确且时空变化适应性强。
但很难确定当时当地海洋大气状况，特别是水汽垂直分布状况。
另一种方法—间接方法，即统计回归的方法，需要参数少，对一定区域精度高，但区域适应性差。
McClain等(1985)采用多通道(MCSST)A VHRR反演算法对海表温度进行监测，使海温反演精度有较大提高，达0.7°。
党顺行等(2001)使用NOAA气象卫星A VHRR的红外波段数据对中国东海渔区海表温度反演进行了研究。
鲍献文等(2002)应用NOAA气象卫星A VHRR对渤海、黄海、东海A VHRR海表温度场的季节变化特征进行了研究。
郑嘉淦等(2006)利用MODIS数据反演了2003年和2004年东海海域的海表温度，结果与东海的实测海表温度分布一致。
叶绿素浓度是反映浮游植物光合作用强弱、藻类长势的重要参量，可以用于监视海藻的生长和推断水产研究中浮游生物的分布和鱼群位置。