MODIS巢湖水体叶绿素a浓度反演模型

合集下载

太湖水体叶绿素浓度反演模型适宜性分析

太湖水体叶绿素浓度反演模型适宜性分析王珊珊;李云梅;王永波;王帅;杜成功【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、。

水体悬浮物浓度遥感反演经验模型

水体悬浮物浓度遥感反演经验模型摘要常规的悬浮物浓监测是通过对水体取样，进而再对水样进行实验室化学分析实现的，需要耗费大量的人力物力，而且所得到的仅是取样点的数据，对区域面状水域的评价只能是以点代面，因此，难以满足对大面积水环境质量监测的要求。

悬浮沉积物作为近海水体污染物的源和汇，是表征水环境质量的一个重要参数，同时又是水体的主要光学活性物质之一，与水体的光学性质密切相关，其浓度大小直接影响卫星遥感信号的强弱。

如叶绿素在440nm 附近有一吸收峰，在550nm附近有一反射峰，在可见光和近红外波段，悬浮物浓度的增加将导致水体反射率的增加等，正是由于这些光谱特性的存在，使得遥感监测水质参数成为可能。

从定量遥感的角度考虑，建立准确的遥感反演模型需要深入研究水体的光谱特征，国外对此研究较早，并且建立了完善的水体光学测量规范，为发展准确的遥感反演算法奠定了坚实的基础。

国内对此也开展了一些研究，尤其是在含沙水体光谱特征研究上，通过模拟实验和现场测量两种方式，获得了遥感反射率对应不同含沙量水体的变化规律。

但是，不同水域悬浮物的成分、粒径分布和浓度的不同，其相应的反射率光谱特性也有所差异，目前国内对不同区域水体光谱特征的把握上还不全面，所以遵循美国NASA的海洋光学测量规范，测量获取了实验海域混浊水体的水面反射率光谱和对应的水体悬浮泥沙浓度等数据，在分析实测光谱特征的基础上，研究了水体表层悬浮泥沙浓度与不同波段遥感反射率之间的相关性，从中选取敏感波段进行统计分析，采用回归方程建立悬浮泥沙浓度遥感反演经验模型。

另外，基于人工神经网络建立了悬浮物浓度遥感反演的经验模型。

1水体遥感原理1.1 水色遥感原理水色遥感是通过卫星传感器接收的离水辐射信号，对水体中待定物质的浓度信息等进行反演，这些物质主要包括浮游植物等悬浮物。

水体中各种物质组成及其对应的浓度差异是造成水体光学性质差异的主要原因，主要表现为水体的吸收特性和散射特性的不同。

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

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08688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犁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
Ａｂｔａｔｈｅ・ａｄｍｏｅｅ —ｎｌｔｃｌｄｌｂｓｄｏｏｓｕｔｎｆｂｏｏｔｃｌｄｌｒｐｒｅ，ｗｈｃｓａｘｓｒｃ：Ｔｒｅｂｎｄｌｓａｓｍｉａａｙｉａｉｍｏｅａｅｎｓｍｅａｓｍｐｉｓｏｉ—ｐｉａｏｍｏｅｏｅｔｓｐｉｉｈｉｎｅ —
．Ｌｋｃ（，ａｅＳｉ湖泊科学）２１，２４：９ —０．．，００２（）４５５３
ｈｔ：ｗ．ａｅ．ｒ． — ａｌｊｋｓｉａ．ｃｎｔ＃ｗｗｊｋｓｏｇＥｍｉ：ａｅ＠ｎｇｓａ．ｐｌｌｌｃ
＠２１ｙＪｕｎｌｆＬｋｃｒｅ００ｂｏｒａａｅｉｗｓｏＳｅ
ｔｎｆｔｅｆａｕｅｏｍｏｅｓｎｉｇｄｔｎｎｙｉｇｂｔｅｔｅｓｎｅｒｎｍａｅ，ｗｅｃｎｏｔｍｉｅｃｏｃｓｏｅｔｒｅｉｓｏｈｅｔｒｆｒｏｅｔｅｓｎａａａｄａａｚｎｏｈｒｍｏｅｓｎｉｇｔｏｙａｄｉｇｌｈａｐｉｚｈｉｅｆｔｈｅｈｂｎｓａｄａｃｉｅｔｅｔｒｅｆｑａｔｔｔｅｒｔｉｖｎｈｈｏｏｈｌ— ｙｒｍｏｅｓｎｉｇｉｇ．ａｄｎｒｈｖｈａｇｔｏｕｎｉｉｅｒｅｉｇｔｅｃｌｒｐｙｌａｂｅｔｅｓｎｍａｅａｖ

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

环境减灾-1A卫星超光谱数据反演叶绿素a浓度的模型研究王桥;杨煜;吴传庆
【期刊名称】《航天器工程》
【年(卷),期】2009(018)006
【摘要】通过星地同步遥感实验,实测巢湖水体水质参数,运用相关分析探求环境减灾-1A卫星超光谱成像仪数据与实测叶绿素a浓度的关系,选择不同的函数曲线对一阶微分方法、波段比值方法和三波段方法进行拟合,建立相应的估测模型,实现对巢湖水体叶绿素a浓度的反演.并最终选取精度最优的模型模拟巢湖的叶绿素a含量.结果表明:三波段组合的线性模型反演精度最高,67%的检验数据误差小于30%,说明基于环境减灾-1A卫星数据的三波段模型能定量提取巢湖地区夏季水体叶绿素a浓度信息.
【总页数】5页(P133-137)
【作者】王桥;杨煜;吴传庆
【作者单位】环境保护部卫星环境应用中心,北京,100029;南京师范大学教育部虚拟地理环境重点实验室,南京,江苏,210046;环境保护部卫星环境应用中心,北
京,100029
【正文语种】中文
【中图分类】TP753
【相关文献】
1.环境减灾-1A卫星超光谱数据实时压缩编码器的设计 [J], 王菊花;吴增印
2.基于环境一号卫星超光谱数据的多元回归克里格模型反演湖泊总氮浓度的研究[J], 潘邦龙;易维宁;王先华;秦慧平;王家成;乔延利
3.基于环境一号HSI高光谱数据提取叶绿素a浓度的混合光谱分解模型研究 [J], 潘梅娥;杨昆
4.基于环境一号卫星影像的内陆水体叶绿素α浓度遥感定量反演模型研究 [J], 潘梅娥;杨昆;洪亮
5.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。

应用MODIS监测太湖水体叶绿素a浓度季节变化研究

应用M ODIS 监测太湖水体叶绿素a浓度季节变化研究王世新,焦云清,周艺,祝令亚,阎福礼(中国科学院遥感应用研究所,北京10010)摘要:以太湖作为实验区,利用波段比值、差值和组合算法讨论了非成像及成像高光谱数据和叶绿素浓度相关性差异和敏感波段分布,在此基础上将不同时段的M ODIS 影像,不同空间分辨率的波段反射率与叶绿素a 浓度实测值进行相关分析,通过回归拟合建立并验证了不同季节的叶绿素a 浓度遥感监测模型,并应用模型计算出太湖水体叶绿素a 浓度的分布情况,对太湖水质变化进行了评价。

研究结果表明,M ODIS 影像在太湖的水质动态变化监测中是可用的。

关键词:M ODIS 影像;叶绿素a;季节变化;模型;太湖中图分类号:T P79 文献标识码:A 文章编号:1000-3177(2008)95-0047-07收稿日期:2007-04-25修订日期:2007-05-23基金项目:国家自然科学基金(40671141)、国家863项目(2006AA 06Z419)共同资助作者简介:王世新(1965~),男,山东人,研究员,主要进行环境遥感和灾害遥感监测研究。

太湖位于长江三角洲地区。

近年来太湖的富营养化问题,已经严重影响了太湖的环境质量。

作为富营养化的关键指标,用来表征藻类爆发程度的叶绿素a 浓度是量化水质状况的重要参数之一。

因此,快速、准确、高频率地监测水环境质量,预警藻类爆发,迫切需要采用各种高新技术,尤其是遥感技术来检测和监测水体叶绿素浓度的时空变化。

对于叶绿素浓度的定量遥感反演,国内外众多学者开展了大量工作,并建立了不同的光学遥感模型,如Thiem ann S.等利用实测光谱和IRS -1c 卫星数据对M ecklenbur g 湖的叶绿素浓度进行了探测[1];P.A.Brivio 等应用TM 影像对Garda 湖的叶绿素浓度变化进行了评价[2];疏小舟等应用OM IS -II 航空成像光谱对太湖叶绿素a 的浓度分布进行了估算[3]。

湖泊水体叶绿素偏振高光谱反演模型研究

)* 的模型主要有&" # 半经验统计模型%如 N ) < B 0 3 2O $ : 4 0 %等 )
分参数的获取技术难度较大!客观上限制了模型的应用% 由于影响水体离水辐射提取的主要因素为天空光漫射( 太阳直射反射和水底反射!而利用偏振测量!可以降低天空光漫射的影响!部分或全部#34; # 6 0 1 $ 4 A ",6 . %6 ) 当" , , , % b& *时 ! 6 6 6 b 6 * , hb" )g -# . 同样!对于圆偏振光!也可以将其沿 O 轴( > 轴方向分
, 解为振幅不等(相差等于 a& - 的两个振动分量 $ O 和$ >! 则圆偏振光总光强6 . 有
利用水面实测的偏振度与悬浮颗粒物浓度之间的统计关系! 拟合出悬浮物浓度与偏振度的定量关系模型'" # 辐射传输 ) * 模型%如 > 等开发了 " 6 % : T@ [ 6 I : D 9 / D$ 1 0 6 7 + 6 2 I $ 4 [ 0 3 0 ( # 偏振辐射传输模型!通过对海洋和大气的矢 4 < 1 1 0 4 4 : d 0 $ 3 8 0 3 量辐射传输进行耦合!进而从水体的偏振信息中提取出悬浮物等水质参数浓度的变化信息%从以上模型来看!半经验统计模型!由于模型的时空区域性强!模型在异质水体的反演
便携式野外光谱仪改造的偏正光谱仪!仪器波长范围 ! , .! -, . .7 I%测量包括水面辐射强度和偏振光谱测量!具体测 )* 布儒斯特角 1 测量法!分别量方法采用 > 6 % : T@ [ 6 I :等 * 的0 设定观测天顶角为, (观测方位角为 . 和) 的多角度测 ! h h V . h 湖泊和水库采样技术指导 . " 量%水质采样是根据 X Y2C2 # 规范要求进行提取!取样后的水质指标数据由相 ) * , V ) + G ! 关资质单位化验给出%具体采样点的空间分布图!如图 ) 所示%

应用MODIS数据监测湖泊叶绿素a空间分布

中图分类号 P237；P342
文献标识码 A 文章编号 1007-7731（2020）24-0150-02
Using MODIS Data to Monitor the Spatial Distribution of Lake Chlorophyll-a
DONG Dandan et al. （Anhui & Huaihe River Institute of Hydraulic Research，Hefei 230088，China；Anhui Key Laboratory of Water Re⁃ sources，Hefei 230088，China） Abstract：Taking Chaohu Lake as an experimental site，using MODIS image data combined with orbit water quality monitoring data，the chlorophyll-a information of the water is inverted. Firstly，the MODIS data is preprocessed to ob⁃ tain the pixel gray value，and then the chlorophyll-a concentration value of the corresponding position measured in the field is used for correlation fitting，and finally a chlorophyll remote sensing extraction model based on MODIS da⁃ ta is constructed. The research results show that the method in this paper is feasible to use MODIS data to monitor blue-green algal bloom. It is suitable to retrieve the concentration of chlorophyll-a and can provide data support for the treatment of blue-green algal blooms in lakes. Key words：MODIS data；Chlorophyll-a concentration；Model；Inversion

基于带模型的叶绿素a浓度反演精度评估

基于带模型的叶绿素a浓度反演精度评估陈军;陆凯;王保军【摘要】为了评估遥感反演叶绿素a浓度的精度,以2004年8月19日太湖38个水质样本数据和同步Hyperion卫星遥感影像数据为基础,借鉴四波段半分析算法,结合空间数据不确定性原理,构建了基于四波段半分析算法的“带模型”.通过研究与探讨可知,当叶绿素a浓度为10～20 μg/L和50～100 μg/L时,叶绿素a浓度的反演误差较小,大约为±20％；当叶绿素a浓度在20～50 μg/L时,叶绿素a浓度的反演误差较大,大约为±40％,局部区段的误差高达±60％左右.与传统的误差表示方法相比较,“带模型”能更详细且能准确地给出太湖水体叶绿素a浓度反演结果的误差信息.%With the spectral experiment and the simultaneous observation results of Hyperion satellite on 19 August, 2004 as the basic dataset, the authors used the uncertainty principle of spatial data to develop a " bands model" for chlorophyll-a concentration retrieval algorithm of the subsection mapping retrieval model. It is thus found that in the ranges of 10 -20 μg/L and 50 - 100 μg/L, the retrieval error of chlorophy ll-a concentration is relatively low, (approximately ±20% ) , whereas in the range of 20 -50 μg/L, the retrieval error of chlorophyll-a concentration is relatively high, ( approximately ± 40% ). A comparison with the traditional methods for error describing shows that the "bands model" could include more detailed and accurate information of data quality for remote sensing products.【期刊名称】《国土资源遥感》【年(卷),期】2011(000)004【总页数】4页(P83-86)【关键词】遥感;带模型;叶绿素a;太湖【作者】陈军;陆凯;王保军【作者单位】国土资源部海洋油气资源与环境地质重点实验室,青岛266071;青岛海洋地质研究所,青岛266071;国土资源部海洋油气资源与环境地质重点实验室,青岛266071;青岛海洋地质研究所,青岛266071;国土资源部海洋油气资源与环境地质重点实验室,青岛266071;青岛海洋地质研究所,青岛266071【正文语种】中文【中图分类】TP79;X832水色遥感产品(主要指叶绿素a浓度、悬浮泥沙浓度和可溶有机物质浓度遥感观测信息)的精度评估及表达是水色遥感研究的难点和热点之一。

基于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)。

MODIS 影像的大气校正及在太湖蓝藻监测中的应用

J. Lake Sci.(湖泊科学), 2008, 20(2): 160-166. E-mail: jlakes@©2008 by Journal of Lake SciencesMODIS影像的大气校正及在太湖蓝藻监测中的应用*李国砚1,2, 张仲元3, 郑艳芬4, 刘晓玫1(1: 中国科学院南京地理与湖泊研究所, 南京210008)(2: 中国科学院研究生院, 北京100049)(3: 河南大学环境与规划学院, 开封475004)(4: 中国环境管理干部学院, 秦皇岛066004)摘要: MODIS数据有免费、波段丰富、时间分辨率高等优点, 是进行太湖蓝藻监测的重要数据源, 由于MODIS传感器接收的是地物反射太阳辐射的信号, 太阳辐射与地球大气的相互作用会引起传感器接收到的信号失真, 为了提高利用MODIS数据监测太湖蓝藻的精度, 必须对其进行大气校正. 本文介绍了FlAASH大气校正模型的基本原理, 并对2007年4月25日MODIS 数据的前七个波段进行试验, 对比分析了影像大气校正前后的NDVI值以检测大气校正的效果; 分析表明, 大气校正前后NDVI的变化趋势基本上相同, 但大气校正后的NDVI动态范围更大, 校正后NDVI的平均值和标准差增大, 大气校正在一定程度上有效地降低了大气对遥感影像的影响, 达到了增强信息的目的; 最后, 利用大气校正获取的地表真实反射率数据的第二波段与第一波段的比值, 运用阈值法提取蓝藻信息, 经试验当阈值为1.9时提取出来的蓝藻分布图基本上与实际相符. 利用MODIS影像可以快速、及时地监测蓝藻爆发的位置及爆发程度.关键词: MODIS; 大气校正; FLAASH; 蓝藻Atmospheric correction of MODIS and its application in cyanobacteria bloom monitoring in Lake TaihuLI Guoyan1,2, ZHANG Zhongyuan3 , ZHENG Yanfen4 & LIU Xiaomei1(1: Nanjing Institute of Geography & Limnology, CAS, Nanjing 210008,P.R.China)(2: Graduate School, Chinese Academy of Sciences, Beijing 100049,P.R.China)(3: College of Environment and Planing, Henan University, Kaifeng 475004,P.R.China)(4: Environment Management College of China, Qinhuangdao 066004,P.R.China)Abstract:MODIS, a good remote sensing image data source, is suitable to monitor cyanobacteria bloom for its free and high time resolution, however, MODIS sensor receives distorting signals, due to the interaction between solar radiation and atmosphere, and atmospheric correction is necessary to acquire true surface reflectance and improve the accuracy of monitoring cyanobacteria bloom. In this paper, the basic theory of FLAASH atmosphere correction model attached in ENVI software, which derives from the MODTRAN 4 radiative transfer code, was introduced and explained. Then the FLAASH code was used to process MODIS data, and the NDVI after atmospheric correction was compared with that before correction. Results indicated that atmosphere’s influences were reduced and useful information was enhanced. In the end, the ratio between Band2 and Band1 which was obtained by FLAASH atmospheric correction, was used to extract the cyanobacteria bloom information with the threshold.Keywords: MODIS; atmospheric correction; FLAASH;cyanobacteria bloomMODIS(中分辨率成像光谱仪) 是新一代地球观测传感器, 搭载于NASA的地球观测系统(EOS) TERRA 和AQUA两颗卫星之上, 其数据在全世界范围都可免费接收. MODIS影像有覆盖可见光、近红外和远红*中国科学院“优秀博士论文、院长奖获得者科研启动专项资金”、国家自然科学基金(2007BAC26B01)和江苏省自然科学基金(BK2007261)联合资助. 2007-08-30收稿; 2007-11-06收修改稿. 李国砚, 男, 1981年生, 硕士研究生; E-mail: ligy26@.李国砚等: MODIS影像的大气校正及在太湖蓝藻监测中的应用161外的36个波段的数据, 光谱范围在0.4-14.4µm之间, 扫描宽度2330km, 其中前两个波段的空间分辨率为250m, 3-7波段的空间分辨率为500m, 8-36波段的空间分辨率为1000m, 每天分别过境两次,由于其时间分辨率较高, 在一定程度上弥补了其空间分辨率的不足[1]. 因此, MODIS数据在监测自然灾害、生态环境、全球变化等方面具有良好的应用前景[2].从2007年3月底起, 太湖蓝藻水华开始暴发, 特别是从5月份开始大规模暴发, 使无锡市的饮用水源地受到污染, 给人民的日常生活带来了不利影响, 因而运用遥感技术动态监测蓝藻暴发程度, 进而采取措施减少蓝藻暴发带来的不利影响已经成为备受关注的问题. MODIS由于其免费、波段丰富、时间分辨率高等优点, 成为用来进行蓝藻监测的重要数据源. 但是由于MODIS卫星传感器接收的是地物反射太阳辐射的信号, 在太阳辐射与地球大气的相互作用中, 会产生吸收、反射、散射与发射等效应, 这些都会引起传感器接收到的信号失真, 使图像质量下降[3], 特别是水体, 其反射光谱信号相对陆地较弱[4], 因此大气的影响对监测太湖蓝藻的影响更明显, 使我们直接利用MODIS数据的DN值来监测蓝藻的精度下降, 尤其是随着定量遥感的快速发展, 如何消除大气对遥感数据的影响、还原目标物的真实反射率成为众多研究者研究的对象[5].国内外的众多学者提出了很多大气校正模型[3-8], 如: 直方图均衡化法(Histogram Matching Method)、经验线性法(Empirical Line Method)、暗目标法(Dark Object Method)、6S、MODTRAN大气校正模式等. 6S 和MODTRAN是基于大气传输模型建立起来的校正模型, 精度高, 但需要输入的参数较多; 而直方图均衡化法、经验线性法等模型虽相对比较简单, 但却是建立在特定或理想的条件下, 故校正的精度不高, 实用性受到一定的限制. 本文用以MODTRAN4大气辐射传输模型为基础的FlAASH大气校正模型对MODIS数据进行大气校正, 通过对大气校正前后NDVI的对比分析来检测大气校正的效果, 并用大气校正后获取的地表真实反射率数据提取蓝藻.1 FLAASH大气校正基本原理FLAASH (Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes)是由光谱科技公司(Spectral Sciences Inc)和空气动力研究实验室(Air Force Research Laboratory)共同研制开发的[7-9], 是基于MODTRAN4的大气校正模块, 它集成在ENVI遥感处理软件中, 能对400-2500nm波长范围内的遥感影像进行大气校正. 直接获取影像获取时的大气状况是不现实的, 因此FLAASH模型不是在预先计算好的模型数据库中加入辐射传输参数来进行大气校正, 而是直接结合MODTRAN4的大气辐射传输源码, 通过大气在高光谱像素上的特征来估计大气的属性, 进而为每一幅影像生成一个唯一的MODTRAN解决方案, 同时, 标准的MODTRAN大气模型和气溶胶类型也可被直接使用. FLAASH模块还可以纠正邻域效应, 计算整幅影像的大气能见度, 对光谱进行平滑、消噪等, 能对Landsat、SPOT、A VHRR、ASTER、MODIS、MERIS、AATSR、IRS等多光谱和高光谱数据进行大气校正[8-9].FLAASH模型是在MODTRAN模型的基础上发展起来的, 其大气纠正基于传感器处单个像素点接受到的太阳波谱范围内(不包括热辐射)标准的平面朗伯体(或近似平面朗伯体)反射的光谱辐射亮度, 光谱辐射亮度计算公式如下[8-9]:L=Aρ/(1-ρe S)+Bρe /(1-ρe S)+La(1) 其中, L为传感器处单个像素点接收到的的辐射亮度; ρ为该像素点的地表反射率;ρe为该像素点及其周边区域的平均地表反射率; S为大气球面反照率; La为大气后散射的辐射亮度; A、B是基于大气和几何条件的系数, 与地表反射率无关. 该公式中所有的变量都与波长有关, 为了简化公式, 公式(1)中省略了波长指数.FLAASH模型中认为传感器接收到的辐射亮度由三部分组成[8-9], 第一部分是太阳辐射经过大气照射到地表, 然后经地表反射再经过大气而进入到传感器的一部分, 即公式(1)中的Aρ/(1-ρe S)部分; 第二部分是大气散射的一部分散射光经地表反射后进入到传感器中的部分, 即公式(1)中的Bρe /(1-ρe S)部分; 第三部分为La, 即太阳辐射经大气散射后的一部分散射光直接经过大气而进入传感器的部分.A、B、S和La通过MODTRAN辐射传输模型的计算获得[7-9], 它们的值由卫星观测的角度、大阳的角度、地表平均海拔高程、大气模型、气溶胶模型及能见度决定, 这些参数都可以通过其他方式或者利J. Lake Sci.(湖泊科学), 2008, 20(2) 162用标准的大气模式和气溶胶模式获取; A、B、S和La还与大气中的水蒸气含量及气溶胶光学厚度值有着密切的关系, FLAASH中利用暗目标法反演出气溶胶光学厚度, 而水蒸气含量是利用MODTRAN 4模拟大气吸收并形成一个查找表(1ook-up-tables), 然后利用查找表逐像元估算出来的; ρ与ρe的区别在于大气散射引起的邻域效应, 如果使ρ=ρe, 那么校正的过程中将会忽略邻域效应, 但在有薄雾或地表存在强烈对比的条件下会使短波波段范围内的大气校正存在明显的误差, FLAASH中利用大气点扩散函数(Point-Spread Function)对邻域效应进行了纠正, 主要是利用下面这个公式估算ρe:(2)式中, L e为某像素及其周围像素的空间平均值, 可以通过原始影像计算得到.当所有参数都获得之后, 就可以利用公式(1)和(2)逐个像元地求出整幅影像的真实地表反射率.2 大气校正过程2.1 辐射亮度的计算辐射亮度的获得是计算地表反射率的前提条件, 遥感影像一般都是用DN值来表示, 为了计算地表真实反射率必须把DN值转换为辐射亮度. 遥感影像一般都经过了卫星发射之前的辐射定标、运行中的星上辐射定标及替代(场地)辐射定标的处理[10], 辐射定标后会给出一个DN值转换辐射亮度L的辐射校正公式及相应的辐射校正参数, 这样就可以计算出辐射亮度. MODIS数据的辐射校正公式如下[11]:L B=scales B(DN B-offsets B) (3)式中: B是该波段的序号; scales, offsets分别是该波段的定标增益和定标偏移量; L是该波段的幅亮度值; DN是该波段的灰度值.对MODIS影像而言, 不同影像不同波段的辐射校正参数scales和offsets是不同的. 本文所用的实验数据为2007年4月25日TERRA影像数据, 其前七个波段的辐射校正参数见表1.表1 2007年4月25日TERRA卫星前七个波段的辐射校正参数(W/(m2 •μm•sr))Tab.1 Coefficients of radiometric correction of MODIS first seven bands on April 25th 2007(W/(m2 •μm•sr)) 波段Band1 Band2 Band3 Band4 Band5 Band6 Band7 scales 0.02677798 0.01037380 0.023900790.019423740.005155740.00251485 0.00077121 offsets 0.00000000 0.00000000 0.000000000.000000000.000000000.00000000 0.000000002.2 大气校正参数的输入FLAASH大气校正中需要输入的参数有: 太阳高度角、方位角、传感器类型、传感高度、影像获取的日期及具体时刻(格林尼治标准时间)、影像像元的大小、区域的平均海拔高程、区域的能见度、大气模型、气溶胶模型、影像区域中心的经纬度等, 对于本次大气校正实验数据的输入参数见表2, 成像日期、成像时刻可以在MODIS L1B影像上直接获得, 传感器类型、传感器高度及影像像元的大小可以通过查看传感器参数获得, 太阳高度角和太阳方位角可以通过MOD03级数据获得, 海拔高程通过查询太湖地区1:50000DEM获得, 大气模式和气溶胶类型因缺乏实测数据而选择标准的模式, 中心经纬度通过几何校正后的影像获得, 能见度选择太湖地区的天气较好情况下能见度, 而在FLAASH模型中只有当反演气溶胶光学厚度不可用时才利用这个初始的大气能见度, 反演气溶胶光学厚度时可求出影像所在区域的平均大气能见度[9], 本次大气校正实验反演出的平均大气能见度是6.247KM.表2 FLAASH大气校正的基本输入参数Tab.2 Input parameters of FLAASH code atmospheric correction成像日期 2007-04-25 成像时刻03: 13: 00 传感器类型TERRA传感器高度705km 太阳高度角69.84 太阳方位角152.47海拔高程5m 能见度25km 大气模式中纬度夏季气溶胶类型城市类型中心经度120.0278 中心纬度31.0317李国砚等: MODIS 影像的大气校正及在太湖蓝藻监测中的应用163因计算出来的MODIS 辐射亮度的单位是W/(m 2•μm •sr), 而FLAASH 大气校正需要输入数据的单位是μW/(cm 2•nm •sr), 因此在对MODIS 数据进行大气校正时输入数据的比例系数是10.2.3 大气校正本文研究区为太湖地区, 在东经119°0'45"-120°8'48"、北纬30°4'27"-31°3'1"之间, 所用的实验数据为2007年4月25日MODIS 数据的前7个波段, 其波长范围及空间分辨率见表3. MODIS 数据的处理流程如图1所示, 大气校正前后的假彩色合成图见图2.表3 MODIS 影像前七个波段的波长范围及空间分辨率Tab.3 The wavelengths and spatial resolution of MODIS first seven bands波段 Band1 Band2 Band3 Band4 Band5 Band6 Band7 波长范围(μm) 0.620-0.670 0.841-0.8760.459-0.4790.545-0.565 1.230-1.250 1.628-1.652 2.105-2.155分辨率(m) 250 250 500 500 500 500 500图1 MODIS 大气校正流程图Fig.1 Process of MODIS atmospheric correction图2 MODIS 影像大气校正前后彩色合成图 (a)大气校正前; (b)大气校正后 Fig.2 Pseudo-color synthetic of MODIS before and after atmospheric correction(a) before atmospheric correction; (b) after atmospheric correction2.4结果分析大气校正前后MODIS 数据7、2、1波段(第7波段重采样到250m 空间分辨率)的假彩色合成图(图2)表明, 校正前后的图像的视觉变化不明显, 在对校正前后的图像进行叠加显示时发现校正后的图像对比度有所增强, 但并不像预期的那样图像对比度有明显增加、亮度有所提高[3], 这是因为这幅影像的质量较好, 几乎没有云, 大气校正前的影像原本视觉效果就较好, 因此用目视的方法并不能准确地评价本次大气校正的效果, 为了评价和验证FLAASH 模型对MODIS 数据大气校正的效果, 对校正前后的归一化植被指数NDVI 的变化进行了比较, 因植被指数是定量遥感中常用的变量, 许多遥感模型和以遥感信息为驱动变量的生态学模型都需要植被指数的参与[12], 阿布都瓦斯提等利用6S 模型并借用同步气象数据a b 03.757.55 22.5 30km a bJ. Lake Sci .(湖泊科学), 2008, 20(2)164 对ETM 数据进行的大气校正研究及彭光雄等对中巴地球资源02星CCD 数据的大气校正研究也都表明利用NDVI 能检测大气校正的效果[12-13], MODIS 影像大气校正前后某一剖面的NDVI 值(图3). 大气校正前后NDVI 的计算公式如下:NDVI 前=(DN NIR -DN red )/(DN NIR +DN red ) (3)NDVI 后=(ρNIR -ρred )/(ρNIR +ρred ) (4)式中, DN NIR 和DN red 分别表示未进行大气校正前MODIS 遥感影像近红外波段和红波段的DN 值, ρNIR 和ρred 表示大气校正后影像近红外波段和红波段的反射率值.校正前后NDVI 的变化趋势基本上是相同的, NDVI 的峰值和谷值出现的位置整体上十分吻合, 说明大气校正前后图像的总体特征是相同的; 大气校正后的峰值较校正前的峰值较高些, 而谷值一般比校正前的低些, 这说明经过大气校正后的NDVI 动态范围更大些, 信息量也更丰富些; 对它们进行统计分析可知, 校正前NDVI 的平均值和标准差分别为0.324705和0.197345, 大气校正后NDVI 的平均值和标准差分别为0.413071和0.267082, 标准差反映了图像中的灰度值与平均值的离散程度, 标准差越大, 灰度级分布越分散, 图像的目视效果越好, 图像所含的信息量也越丰富[14](图3). 因此, FLAASH 大气校正在一定程度上有效地降低了大气对遥感影像的影响, 获得了地表真实反射率, 达到消除大气影响、增强信息的目的. 3 基于地表真实反射率的蓝藻信息提取因本文研究的区域限定在太湖水体范围内, 为了提取蓝藻, 只需把蓝藻与太湖水体区别出来即可, 在太湖水面范围内分别取蓝藻采样点和水体采样点各4个, 选取样点的原则是: 既选取蓝藻浓度高的点也选取浓度低的点, 既选取清澈的水体也选取混浊的水体. 作出蓝藻与水体的反射率光谱曲线, 如图4所示, 为了突出差异, 反射率的值乘了10000.蓝藻与水体在可见光波段的反射率光谱特征比较相似, 在近红外波段反射率差异比较显著; 蓝藻在B2 和B4波段有两个反射峰, 在B1波段有个吸收谷, 这是由于蓝藻含有叶绿素a, 在可见光绿波段和近红外波段具有高的反射率, 而在可见光红波段反射率较低; 水体的反射率从可见光蓝波段到近红外波段总体上呈下降趋势(图4). 吕恒利用实测叶绿素浓度与MODIS 的16个可见光、近红外波段的相关性分析表明, 叶绿素与MODIS 第2波段的相关性最好, 与第1波段的相关性最弱[11]; 闻建光等利用TM 数据研究太湖叶图3 MODIS 影像大气校正前后某一剖面的NDVI 值 Fig.3 NDVI of MODIS before and after atmospheric correction李国砚等: MODIS 影像的大气校正及在太湖蓝藻监测中的应用165绿素a 浓度反演的定量模型, 并通过模型估算结果与实测数据多相关分析表明利用叶绿素的反射峰和吸收峰处的TM4与TM3的比值作反演的精度较高[15], TM4和TM3波段对应于MODIS 数据的B2和B1 波段; 祝令亚等的研究表明利用MODIS 数据的B2与B1波段的比值来反演太湖叶绿素a 的浓度是可行的[16]. 因此本文利用MODIS 近红外波段B2与可见光红波段B1的比值来区分蓝藻与水体. B2与B1的比值图像见图5(a), 图5(a)中部分白色区域是去除岛屿形成的, 通过一定的阈值提取出蓝藻, 图5(b)是经过试验当阈值为1.9时提取出来的蓝藻分布图. 由图5(b)可知, 提取出来的蓝藻基本上与实际相符, 因此利用MODIS 影像可以快速、及时地监测蓝藻爆发的位置及爆发程度.ab图5 MODIS 影像蓝藻提取 (a)B2与B1的比值图; (b)蓝藻水华分布图Fig.5 Extract the cyanobacteria bloom from MODIS imge(a) ratio of B2 to B1; (b) distribution map of cyanobacteria bloom4 结论湖泊是陆地水圈的重要组成部分, 遥感技术是一种区域性的水环境监测手段, 有快速、连续、动态、0 3.75 7.515 22.5 30km 图4 蓝藻水华与水体的反射率光谱曲线 Fig.4 Spectral character of cyanobacteria bloom and water 蓝藻J. Lake Sci.(湖泊科学), 2008, 20(2) 166相对成本低等优点, 在湖泊水质的监测中有很大的应用潜力[17-18], 开展蓝藻水华的形成、漂移和堆积的遥感监测研究是蓝藻水华的预防措施之一[19], MODIS数据具有波段丰富、时间分辨率高等优点, 利用MODIS数据可以快速、长期地对太湖蓝藻暴发的状况进行监测, 但太阳辐射与地球大气的相互作用会引起MODIS传感器接收到的信号失真, 为了提高利用MODIS数据对太湖蓝藻进行动态监测的精度, 很有必要对MODIS数据进行大气校正. 本文利用FLAASH模型对MODIS数据进行了大气校正, 并对比分析大气校正前后的NDVI值, 分析结果表明FLAASH模型在一定程度上有效地降低了大气对遥感影像的影响. 用FLAASH模型对MODIS影像进行大气校正并获取地表真实反射率方便快捷、可操作性强, 利用大气校正后获取的地表真实反射率数据提取太湖蓝藻信息, 提取出来的结果基本上满足了动态监测蓝藻的需要, 这证明利用MODIS影像可以及时、准确地监测蓝藻爆发的位置及爆发程度. 但由于缺少同步的实测光谱数据, 本文只能在理论上说明大气校正的效果, 不能精确地评价大气校正的精度; 在蓝藻信息提取部分, 本文并没有尝试用其他波段组合模型去提取蓝藻, 仅利用波段B2与B1的比值来提取蓝藻, 存在着一少部分漏提的蓝藻, 因此探索精度更高的MODIS数据蓝藻信息提取模型是今后进一步研究的方向.致谢: 感谢中国科学院南京地理与湖泊研究所的段洪涛博士对本文写作的指导.5 参考文献[1] 张霞, 孙睿, 张兵等. 基于MODIS植被指数时间谱的华北平原土地覆盖分类. 农业工程学报, 2006, 22(12): 128-132.[2] 刘玉洁, 杨忠东等. MODIS遥感信息处理原理与算法. 北京: 科学出版社, 2001: 1-3.[3] 徐萌, 郁凡, 李亚春等. 6S模式对EOS/MODIS数据进行大气校正的方法. 南京大学学报(自然科学版), 2006, 42(6): 582-589.[4] 尹球, 巩彩兰, 匡定波等. 湖泊水质卫星遥感方法及其应用. 红外与毫米波学报, 2005, 24(3): 198-202.[5] 郑伟, 曾志远. 遥感图像大气校正方法综述. 遥感信息, 2004, 4: 66-70.[6] 王钊. 6S辐射模型算法解析及在MODIS大气校正中的应用. 陕西气象, 2006, 5: 34-37.[7] 亓雪勇, 田庆久. 光学遥感大气校正进展. 国土资源遥感, 2005, (4): 1-6.[8] 宋晓宇, 王纪华, 刘良云等. 基于高光谱遥感影像的大气校正: 用A VIRIS数据评价大气校正模块FLAASH.遥感技术与应用, 2005, 20(4): 393-398.[9] Research System Inc. FLAASH User’s Guide. ENVI FLAASH Version 1.0, 2001: 8-40.[10] 池宏康, 周广胜, 许振柱等. 表观反射率及其在植被遥感中的应用. 植物生态学报, 2005, 29(1): 74-80.[11] 吕恒. 太湖水质多尺度遥感定量监测研究[学位论文]. 南京: 中国科学院南京地理与湖泊研究所, 2004.[12] 彭光雄, 何宇华, 李京等. 中巴地球资源02星CCD图像交叉定标与大气校正研究. 红外与毫米波学报, 2007, 26(1): 22-25.[13] 阿布都瓦斯提•吾拉木, 秦其明, 朱犁江. 基于6S模型的可见光、近红外遥感数据的大气校正. 北京大学学报(自然科学版), 2004, 40(4): 611-618.[14] 胡子付, 曾志远, 张振龙等. 小波和HIS变换结合实现ETM图像波段融合. 地球信息科学, 2005, 7(4): 29-32.[15] 闻建光, 肖青, 柳钦火等. 基于混合光谱理论的太湖水体叶绿素a浓度提取. 地理科学, 2007, 27(1): 92-97.[16] 祝令亚, 王世新, 周艺等. 应用MODIS检测太湖水体叶绿素a浓度的研究. 遥感信息, 2006, 2: 25-28.[17] 吴敏, 王学军. 应用MODIS遥感数据监测巢湖水质. 湖泊科学, 2005, 17(2): 110-113.[18] 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, 2007, 20(2): 185-192.[19] 中国科学院南京地理与湖泊研究所. 太湖梅梁湾2007年蓝藻水华形成及取水口污水团成因分析与应急措施建议. 湖泊科学, 2007, 19(4): 357-358.。

MODIS巢湖水体叶绿素a浓度反演模型

序踟］。
１．３数据匹配与分析
强反射体和阴影的影响，选择自然状态的水面，同时
水平放置反射参考板，反射参考板与水平面夹角应小于１Ｏ。。对每一测量目标测量３～５个测点，并根据天气情况采用先测参考板或前后测量参考板巾间测量水面的方法，观测角０。（垂直向下观测），探头
该采样时间的站点经纬度从ＭＯＤＩＳ数据中提取反
与水面或反射参考板距离＞１ｍ。
１．２卫星数据获取
射率。表１为２Ｏ０３年１月１０日巢湖水质实测数
据。
与试验同日ＭＯＤＩＳ资料为２ＯＯ３年１月１Ｏ日
据，ＴｅｒｒａＭ０ＤＩｓ的定位精度为Ｏ．５个像素［。通
过基于６ｓ的大气校正模型可以得到ＭＯＤＩＳ１～７波段的地面反射率ＨＤＦ格式资料。以上的所有处
理采用ＮＡｓＡ — ＥｓＥ发布的标准算法和处理程
１数据获取与分析
１．１实测数据获取
０．５ｍｇ／ｍ。的浓度变化。ＡｎｕＲｅｉｎａｒｔ等利用
ＭＥＲＩＳ，ＳｅａｗｉＦＳ，ＭＯＤＩＳ数据对欧洲３个最大湖泊（Ｖａｔｔｅｒｎ，Ｖａｎｅｒｎ，Ｐｅｉｐｓｉ）不同水质水体中的几类参数进行反演，给出了利用ＭＥＲＩＳ反演叶绿素ａ、

用分析模型方法反演水体叶绿素的浓度_李云梅

Ab stract: Ch lorophy ll con cen tration is an importan t index for eva luating water qu ality . To make the inversion of rem ote sen sing more accu rate and m ore reality , it is s ignifican t to bu ild analy tic mode l for si m u la ting water R (0 ), and by the analytic m odel to inverse ch lo rophyll concen tration. 18 poin ts in T aihu lake were chosen, and at those po in ts, the spectra of the w ater and water ch lorophy ll concen tration were m easured at th e sa m e time in June, 2004 . The si m u lation mode l o f R (0 ) was bu ilt u sing Go rdon mode l, and the ch lorophyll concen tra tion was inversed u sing op tim ization m ethod. Th e corre lation of measu red and inversed R (0 ) is 3 0.99. W hen the ch lorophyll concen tration is h igher than 30mg / m , th e relative erro r of inve rsed value is less than 20%. Then, the ch lorophy ll concentration is inversed by th is m odel for seven measu red sa m p les in Ju ly, 2004. The correlation ofm easu red and inversed R (0 ) is 0.94. And the relative error of the m ajo rity poin ts is less than 60%. K ey word s: analytic model;water;ch lorophy ll concen tration; R (0 )

基于NSOAS线性反演模式的MODIS海水悬浮物浓度-东海预报中心

一种基于SeaDAS 软件的海水悬浮物浓度遥感产品实现陈钊国家海洋局东海预报中心摘要：作者对MODIS 设备的遥感反射率求法和NSOAS 算法做了分析，讨论了如何在MODIS 遥感资料上通过适应性修改应用黄东海水色反演算法，并基于SeaDAS 软件给出了该产品的具体实现。

关键词：悬浮物浓度、MODIS 、海洋水色、卫星遥感利用卫星遥感数据反演悬浮物浓度是海洋水色遥感的重要课题，目前，利用MODIS 遥感资料反演悬浮物浓度的成品软件多为商用遥感处理软件，由于源代码不公开，价格昂贵、用户难以根据比测结果调整参数等原因，制约着卫星遥感悬浮物浓度产品在预报部门的应用。

而开放源代码的SeaDAS 软件自带的标准反演算法中，不包括悬浮物浓度的反演算法。

本文介绍了在SeaDAS 软件基础上，根据MODIS 资料的特点，改进已有的反演算法，编写计算机程序，实现悬浮物浓度产品的业务化生产的方法。

1、悬浮物浓度反演算法为了更好的服务于预报中心的实际预报工作，我们选用的反演算法为黄东海二类水体的遥感反演算法，称为NSOAS(National Satellite Ocean Application Service 国家卫星海洋应用中心)线性遥感反演算法[3]。

反演公式如下： (1)其中，S 为总悬浮物浓度，单位为毫克/升，Rrs490,Rrs555,Rrs670分别为水体对490、555、6纳米波长的可见光的遥感反射率。

S0、S1、S2是三个系数，根据统计分析，用线性回归方法求得其最佳估计值为S0=0.5591、S1=24.6866、S2=-0.4675。

2、MODIS 卫星遥感资料的算法适用性)()(555490267055510Rrs Rrs s Rrs Rrs s s LgS ⨯++⨯+=虽然NSOAS 反演算法比较简单，但是，直接在MODIS 遥感资料上应用该算法，存在着两个主要的问题。

首先，MODIS 的36个波段中，没有与490nm 、555nm 和670nm 完全对应的波段，比较接近的是488nm 、551nm 和667nm ；虽然这些波段差距比较小，总的反演方程的结构不必做改动，但也意味着必须对参数进行微调才可能应用到MODIS 卫星遥感资料上。

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.。

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)。

图１巢湖采样点分布
Ｆｉｇ．１ＳａｍｐｌｉｎｇｌｏｃａｔｉｏｎｉｎＣｈａｏｈｕＩａｋｅ
水体光谱由下式计算：
Ｒ（，；，）一是（，，）（１）
ｌＯ：５９过境的Ｅ０Ｓ — Ｔｅｒｒａ，巢湖上空晴朗无云。自主接收的ＭＯＤＩＳＩ０级ＰＤＳ资料经过解包、辐射、几何校正和地理定位后，得到Ｌ１Ｂ级ＨＤＦ格式数
光谱仪在巢湖进行了反射光谱测量和同步水质采样
分析，利用反射率比值法和一阶微分法分别建立了叶绿素ａ的遥感定量模型，结果表明反射率比值Ｒ。／Ｒ。。和６９Ｏｎｍ反射率的一阶微分均与叶绿素ａ浓度有较好的相关性，且用反射率比值法估算叶绿素ａ效果较好。以上研究或未针对富营养化
２０Ｏ７１１１４收到，２０Ｏ８Ｏ８２２收到再改稿。
２Ｏ０３年１月１Ｏ日在巢湖水面进行星地同步观
测。观测时间为０ｇ：０Ｏ一１５：３Ｏ（北京时，下同），主要
应
用
气
象
学
报
２Ｏ卷
数据分析包含以下几个方面： ① 实测水体光谱与实测叶绿素ａ浓度之间的关系； ②ＭＯＤＩＳＬ１Ｂ通
道数据与实测叶绿素ａ浓度之间的关系； ③ ＭＯＤＩＳ大气校正后地表反射率与实测叶绿素ａ浓度之间的关系。选取与卫星过境时间相近的采样时间，依据
地区生产、生活用水的主要来源。巢湖西半湖水质为劣Ｖ类，东半湖水质为Ｖ类，全湖平均为劣Ｖ类。
西半湖为中度富营养，东半湖为轻度富营养，全湖平均为中度富营养ｌ１］，并且污染有持续加重的趋势。水质富营养化的一个重要特征是藻类物质大量繁殖，而叶绿素ａ在藻类物质中所占的比例比较稳定，并且易于在实验室测量，因此叶绿素ａ浓度常作为反映湖水营养化程度的一个重要参数。内陆水体由于浮游植物、黄色物质和颗粒悬浮物相互混合，光学特征复杂，所以选择受其他物质光学干扰小的波段组合算法是叶绿素遥感的关键。
地面光学观测仪器包括： ① ＦｉｅｌｄＳｐｅｃＴＭＵＶ／
Ｔｌ１８９４ — ８９和ＩＳＯ１Ｏ２６Ｏ一１９９２，样品采用聚乙烯桶
ＶＮＩＲＡｓＤ光谱辐射计，测量巢湖水体光谱； ② 烯聚四氟乙烯反射参考板，反射率为２５的灰板用于水体光谱测量，白板用于大气特性测量； ③ 法国ｃＩ —
的内陆二类水体进行，或未使用ＭＯＤＩｓ数据进行水体叶绿素ａ反演。
本研究利用地物光谱仪测定了巢湖水面的光谱反射率，并在分析光谱反射率与同步水质检验叶绿素ａ浓度之间关系的基础上，利用大气校正后的ＥＯＳ／ＭＯＤＩＳ数据，选择最佳波段组合，建立了ＭＯＤＩＳ巢湖叶绿素ａ浓度的反演模型。
叶绿素ａ，使用仪器为７５１型分光光度计，工作于紫
外、可见、近红外光谱区，波长范围２ＯＯ～ｌ０ＯＯｎｍ，采用３０。角的利特罗石英棱镜作色散元件，光程１ｍ长，其狭缝０～２ｍｍ连续可调。巢湖水体采样和水面测量站点示意图如图１。
该采样时间的站点经纬度从ＭＯＤＩＳ数据中提取反
与水面或反射参考板距离＞１ｍ。
１．２卫星数据获取
射率。表１为２Ｏ０３年１月１０日巢湖水质实测数
据。
与试验同日ＭＯＤＩＳ资料为２ＯＯ３年１月１Ｏ日
式（１）中，忌（，．；，）是反射参考板的标准光谱反射比吲，（，）是测量反射参考板时仪器输出的信号值，（，）是测量水体时仪器输出的信号
值，Ｖ（，）和Ｖ（，）须在相同测量条件下获取，先对着反射参考板测量，获取（ห้องสมุดไป่ตู้ ，）值，然后对着水体测量，获得（，）值。测量时注意避开
１数据获取与分析
１．１实测数据获取
０．５ｍｇ／ｍ。的浓度变化。ＡｎｕＲｅｉｎａｒｔ等利用
ＭＥＲＩＳ，ＳｅａｗｉＦＳ，ＭＯＤＩＳ数据对欧洲３个最大湖泊（Ｖａｔｔｅｒｎ，Ｖａｎｅｒｎ，Ｐｅｉｐｓｉ）不同水质水体中的几类参数进行反演，给出了利用ＭＥＲＩＳ反演叶绿素ａ、
是江淮地区重要的粮食产地和水产品基地以及周边
相关系数及误差（仅限用于这３个湖泊水质参数反演），同时指出ＭＥＲＩＳ较高的大气校正成功率是反演水体参数的重要保证。Ｍａｒｔｉｎｅｚ等］利用ＭＯ— ＤＩＳ和ＭＥＲＩＳ对Ａｍａｚｏｎ河丰水和枯水期的叶绿素和悬浮物进行监测。李素菊等利用高光谱地物
序踟］。
１．３数据匹配与分析
强反射体和阴影的影响，选择自然状态的水面，同时
水平放置反射参考板，反射参考板与水平面夹角应小于１Ｏ。。对每一测量目标测量３～５个测点，并根据天气情况采用先测参考板或前后测量参考板巾间测量水面的方法，观测角０。（垂直向下观测），探头
试验站点主要选择巢湖支流的人湖口处，以及其他有代表性的点，共计１６个。水体采样和水面测量顺序为：忠庙一南淝河入湖区一十五里河入湖区
一塘西一西半湖一姥山东３ｋｍ一马尾河口一湖心
测定》，以丙酮萃取及分光光度计分析的方法测定
点一中旱乡一造船厂一巢湖坝口。水质样本分析依
据：ＧＢ／Ｔ６９２Ｏ一８６，ＧＢ／Ｔ１１９Ｏ１ — ８９，ＧＢ／Ｔ７４８４ — ８７，
ＧＢ／Ｔ７４８８ — ８７，ＧＢ／Ｔ７４７９ — ８７，ＧＢ／Ｔ１１８９３ — ８９，ＧＢ／
ＭＥＩ『３１８自动太阳光度计，用于太阳辐射度测量。
和玻璃瓶密闭封装，巢湖市环境监测站负责水质采样和处理。由于目前国家标准中没有水质叶绿素测
量标准，所以采用国际标准组织的（ＩＳＯ１Ｏ２６Ｏ — ｌ９９２）《水质；生化参数测量；叶绿素ａ浓度的光谱
度的反演模型，检验得到相关系数为Ｏ．５Ｏ７９。
关键词：反演；叶绿素ａ；Ｍ０ＤＩｓ数据；巢湖
悬浮物浓度和无机物的最优化通道组合、拟合公式、
引言
巢湖地处江淮之间，是我国五大淡水湖之一，面积约７６Ｏｋ，全流域３３条河，流域面积１３３５Ｏｋ，
第２０卷１期２ＯＯ９年２月
应用气象学报
Ｊ０ＵＲＮＡＬ０ＦＡＰＰＬＩＥＤＭＥＴＥ０Ｒ０Ｌ０ＧＩＣＡＬＳＣＩＥＮＣＥ
Ｖｏ１．２Ｏ，Ｎｏ．１Ｆｅｂｒｕａｒｙ２ＯＯ９
ＭｏＤＩＳ巢湖水体叶绿素ａ浓度反演模型
荀尚培Ｄ翟武全。范伟
”（安徽省气象科学研究所，合肥２３０Ｏ３１）（安徽省大气科学与卫星遥感重点实验室，合肥２３０Ｏ３１） ”（安徽省气象局，合肥２３。０３１）
摘
要
对大面积水体进行水质遥感监测是比较典型的水体环境监测手段。该文利用地物光谱仪测定了巢湖水面的光谱反射率，收集了相应时间的ＭＯＤＩｓ数据，经过预处理之后，首先分析了巢湖水面光谱特征，并对实测水体反射率与实测叶绿素ａ之间的关系进行统计拟合计算。在经过Ｍ（）ＤＩｓ大气校正后，得到１～７通道的地表反射率。利用大气校正后的Ｅ０ｓ／Ｍ０ＤＩｓ数据，选择最佳通道组合，定义了叶绿素ａ指数Ｉｃｍ，建立了Ｍ（）ＤＩｓ巢湖叶绿素ａ浓