GF-1与Landsat8水体叶绿素a浓度协同反演——以太湖为例

图1 太湖区域划分示意图

Fig.1 Geographic location of study area

研究区边界范围位于N30°55'40″~31°32'58″和E119°52'32″~120°36'10″之间,横跨江苏、浙江两省,北临无锡,南濒湖州,西依宜兴,东近苏州。太湖分为竺山湾、梅梁湾、贡湖湾、西部沿岸、南部沿岸、大太湖、胥湾、东太湖和箭湖东茭咀等区域,周边城镇分布密集。伴随着高速发展的城市化进程,太湖富营养化比较严重,水质属于Ⅱ~Ⅴ类,局部地区甚至为劣Ⅴ类^[7]。

2 数据源与传感器特性分析

2.1 水面光谱数据采集与处理

采样过程中,选择面积较大且水质较均一的水域布设样点,并根据实际情况将湖面划分为加密区和稀疏区。如图1所示,梅梁湾区域为加密区,南部沿岸区域为稀疏区。水面光谱采集使用ASD光谱仪,采用水面以上测量方法^[8]进行测量。光谱仪测量范围为350~2 500 nm,其中在350~1 000 nm波长范围内,光谱分辨率为3 nm。在实验过程中,按顺序依次测量灰板、水体、天空光、灰板和遮挡灰板的光谱数据。测量水体时,取观测天顶角为40°,相对于太阳入射平面的观测方位角为135°。光谱数据处理时,首先对获得的15组数据进行筛选,剔除偏离较大的曲线,对剩余曲线取平均用于计算。实验时间为2014年10月24日,共布设31个采样点,剔除3个异常数据点,共获取28个点位光谱数据,并计算其光谱反射率,即

(1)

R_{rs} (λ) = \frac{L_{t} (λ) - ρ_{sky} (λ) L_{sky} (λ)}{π L_{p} (λ) / ρ_{p} (λ)}

式中: $R_{rs} (λ)$ 为水面遥感光谱反射率,λ为波长; $L_{t} (λ)$ , $L_{sky} (λ)$ 和 $L_{p} (λ)$ 分别为测得的水面、天空光以及灰板的光谱值; $ρ_{p} (λ)$ 为实验室内标定的灰板反射率; $ρ_{sky} (λ)$ 为天空光气水界面反射率,在观测天顶角为40°时,由Frensnel公式计算得到 $ρ_{sky} (λ)$ 为0.024 5。

2.2 叶绿素a浓度测量

叶绿素a浓度采用基于热乙醇萃取的分光光度法测量^[9]。

2.3 遥感数据预处理

选用2014年10月24日与地面试验同步的GF-1 WFV和Landsat8 OLI影像进行预处理,经过辐射定标^[10]、大气校正^[11]、几何纠正^[9]、图像融合^[12]和水域提取^[13]后得到太湖水体辐射亮度值。

2.4 传感器特性分析

GF-1卫星搭载了4台16 m空间分辨率多光谱相机WFV,包括蓝光、绿光、红光和近红外4个波段,4台相机组合成像幅宽可达800 km左右。Landsat8卫星携带一个9波段的成像仪OLI,除第8波段为外,各多光谱波段空间分辨率均为30 m。Landsat8 OLI第2—5波段分别与GF-1 WFV传感器第1—4波段相对应,相关参数如表1所示。

表1 GF-1 WFV与Landsat8 OLI传感器参数对比

Tab.1 Comparison between GF-1 WFV and Landsat8 OLI sensor parameters

卫星传感器	波段	光谱范围/μm	空间分辨率/m	重访周期/d
GF-1 WFV	B1	0.45~0.52	16	2
	B2	0.52~0.59
	B3	0.63~0.69
	B4	0.77~0.89
Landsat8 OLI	B1	0.43~0.45	30	16
	B2	0.45~0.52
	B3	0.53~0.60
	B4	0.63~0.68
	B5	0.85~0.89
	B6	1.56~1.66
	B7	2.10~2.30
	B8	0.50~0.68	15
	B9	1.36~1.39	30

1)辐射分辨率。基于水体识别结果,获取2014年10月24日星地同步实验前后的GF-1 WFV与Landsat8 OLI影像,在同一太湖水体区域分别选取同样大小的影像(图1中红色矩形框位置),并统计水体在蓝光、绿光、红光和近红外4个波段上灰度值的最大值、最小值、全距(最大值减最小值)及平均值分布,结果如表2所示。

表2 GF-1 WFV和Landsat8 OLI数据水体区域辐射分辨率特征统计

Tab.2 Characteristics statistics of GF-1 WFV and Landsat8 OLI data radiation resolution in water area

卫星传感器	波段	最小值	最大值	全距	平均值
GF-1 WFV	B1	279	600	321	131
	B2	216	606	390	297
	B3	132	510	378	398
	B4	57	699	642	415
Landsat8 OLI	B2	9 300	12 500	3 200	10 409
	B3	8 037	11 844	3 807	9 820
	B4	7 152	12 048	4 896	8 701
	B5	6 208	24 638	18 430	7 180

全距反映了传感器对地物反射能量的分辨能力,其数值越大表明传感器对地物辐射分辨的能力越强,即辐射分辨率越高。从表2中可以看出,Landsat8 OLI最大的全距为18 430,GF-1 WFV最大的全距仅为642,远远小于Landsat8 OLI,GF-1 WFV数据在蓝光、绿光、红光和近红外波段处的最大、最小值和平均值均小于Landsat8 OLI,并且Landsat8 OLI近红外波段最大灰度值达了24 638,而GF-1 WFV 4个波段的最大值均不超过1 000,表明Landsat8 OLI的灰度范围远远优于GF-1 WFV。另外,无论是GF-1 WFV数据还是Landsat8 OLI数据,在蓝光、绿光和红光波段处的全距都小于近红外波段,导致2种传感器近红外波段包括的地物信息相较于前3个波段更为丰富,能更好地展示地物细节信息。GF-1 WFV灰度范围整体小于Landsat8 OLI,因此Landsat8 OLI在成像时包含的地物信息更丰富,能够更好地显示水体的细微差异。

2)光谱分辨率。GF-1 WFV和Landsat8 OLI在蓝光、绿光、红光和近红外波段的波谱响应函数曲线及实测水体样点的反射率曲线如图2所示。

图2

图2 GF-1 WFV和Landsat8 OLI波谱响应函数与叶绿素a反射率曲线对比

Fig.2 Comparison of spectral bands of GF-1 WFV and Landsat8 OLI and reflectance of chlorophyll a

从图2中可以看出,太湖具有典型内陆含藻类水体光谱特征^[14,15]。在400~500 nm范围,由于黄色物质及叶绿素a的吸收作用,反射率较低; 在530~590 nm范围出现反射峰是由于叶绿素a的弱吸收和细胞的散射导致,该反射峰可以作为叶绿素a定量标志; 在600~630 nm范围反射率降低是由于藻蓝素藻青蛋白的吸收导致; 在670 nm出现反射率谷值是由于叶绿素a在红光波段强吸收导致; 在700 nm附近出现反射陡峰是由于叶绿素a在近红外波段高反射导致。

另外,Landsat8 OLI在绿光、红光和近红外波段设置相较于GF-1 WFV均较窄。由于内陆水体组分复杂,其中悬浮物、叶绿素a和黄色物质等要素的组分对水体光谱特征具有决定性影响^[16,17],在捕捉水体组分信息时,宽波段的GF-1 WFV反映更多的是波宽范围内的平均反射特征,水体组分光谱信息经平均后被弱化; 在对植被信息敏感的近红外波段处,Landsat8 OLI相较于GF-1 WFV有效波段宽度缩窄了近一半,有效避开了对悬浮物和黄色物质部分敏感的波长位置,从而可以更好地捕捉水体叶绿素a浓度信息。GF-1 WFV和Landsat8 OLI中心波长与有效波宽对比如表3所示。

表3 GF-1 WFV和Landsat8 OLI中心波长与有效波宽对比

Tab.3 Comparison of GF-1 WFV and Landsat8 OLI central wavelength and effective wave width(nm)

卫星传感器	波段	中心波长	有效波宽
GF-1 WFV	B1	485	48
	B2	555	71
	B3	660	65
	B4	830	119
Landsat8 OLI	B2	485	60
	B3	565	57
	B4	655	38
	B5	870	28

从表3中可以看出,Landsat8 OLI与GF-1 WFV在蓝光、绿光和红光波段中心波长的位置距离较近,而在近红外波段处的中心波长Landsat8 OLI(870 nm)与GF-1 WFV(830 nm)距离较大,有效波宽也在近红外波段相差最大,差值为91 nm。

3)空间分辨率。GF-1 WFV的空间分辨率为16 m,Landsat8 OLI的空间分辨率为30 m。在同一太湖水体区域(水华区域)分别选取同样大小的GF-1 WFV与Landsat8 OLI影像(图1红色矩形框位置),采用灰度共生矩阵法计算原始影像的纹理信息,得到2幅影像的纹理特征对比情况,如表4所示。其中均值反映纹理的规则程度,纹理的规律性越强,值越大; 方差为像元值与均值偏差的度量,当图像中灰度变化较大时,方差值较大; 同质性是图像局部灰度均匀性的度量,灰度越均匀,值越大; 对比度反映图像中局部灰度变化总量,图像局部像素对的灰度差别越大,对比度越大,图像层次越丰富; 非相似性的度量与对比度类似,但是为线性增加的,对比度越高,非相似度也越高; 熵表征了图像中纹理的复杂程度,纹理越复杂,熵值越大; 角二阶矩是图像灰度分布均匀性的度量,图像灰度分布越均匀,值越大; 相关性反映某种灰度值沿某方向的延伸长度,延伸越长,相关性越大。

表4 GF-1 WFV与Landsat8 OLI纹理特征对比

Tab.4 Comparison of GF-1 WFV and Landsat8 OLI texture statistical characteristics

卫星传感器	均值	方差	同质性	对比度	非相似性	熵	角二阶矩	相关性
GF-1 WFV	55.8	505.7	1.0	939.4	26.0	2.2	1.0	2.0
Landsat8 OLI	50.1	238.4	1.0	466.9	18.8	2.2	1.0	2.0

从表4可以看出,GF-1 WFV与Landsat8 OLI的均值相差较小,同质性、熵、角二阶矩和相关性均相等,但是GF-1 WFV的方差、对比度和非相似性都远远大于Landsat8 OLI,说明在空间分辨率上,GF-1 WFV包含更加丰富的纹理信息,使其在空间尺度较小的内陆水质监测中具有较大优势,在反映水质的空间分布细节信息上更优于Landsat8 OLI。

3 叶绿素a浓度反演模型与协同反演

3.1 叶绿素a浓度反演模型

在APPEL模型中,叶绿素a光谱指数chla^[5]为

(2)

c = R_{NIR} - [(R_{B} - R_{NIR}) R_{NIR} + R_{R} - R_{NIR}]

式中: c为chla指数, $R_{B}, R_{R} 和 R_{NIR}$ 分别代表蓝光、红光和近红外波段的反射率值。近红外波段由于叶绿素a强反射,水体强吸收,用来获取最大叶绿素a信息量; 蓝光波段由于CDOM反射强烈,用来去除CDOM影响; 红光波段由于对悬浮物敏感,用来去除悬浮物影响; 同时用近红外波段去除蓝光和红光波段中叶绿素a信息以及水体后向散射影响^[18]。

3.2 叶绿素a浓度协同反演方法

在APPEL模型的基础上,利用GF-1 WFV的空间分辨率优势、Landsat8 OLI的光谱分辨率和辐射分辨率优势,通过3种不同协同方法对叶绿素a浓度进行协同反演,进而分析GF-1 WFV和Landsat8 OLI协同反演特征。

3.2.1 单波段替代协同反演

将Landsat8 OLI影像的空间分辨率重采样至GF-1 WFV空间分辨率,分别利用Landsat8 OLI的窄近红外通道直接替代GF-1 WFV的宽近红外通道; Landsat8 OLI的红光波段直接替代GF-1 WFV的红光波段; Landsat8 OLI的蓝光波段直接替代GF-1 WFV的蓝光波段,构建3种2个数据相结合的叶绿素a浓度反演模型,其chla指数分别为

(3)

c = R_{NIR, L} - [(R_{B, G} - R_{NIR, L}) R_{NIR, L} + R_{R, G} - R_{NIR, L}]

(4)

c = R_{NIR, G} - [(R_{B, G} - R_{NIR, G}) R_{NIR, G} + R_{R, L} - R_{NIR, G}]

(5)

c = R_{NIR, G} - [(R_{B, L} - R_{NIR, G}) R_{NIR, G} + R_{R, G} - R_{NIR, G}]

式中: $R_{B, L}$ , $R_{R, L}$ 和 $R_{NIR, L}$ 分别代表Landsat8 OLI蓝光、红光和近红外波段的反射率值; $R_{B, G}$ , $R_{R, G}$ 和 $R_{NIR, G}$ 分别代表GF-1 WFV蓝光、红光和近红外波段的反射率值。

3.2.2 单波段融合协同反演

分别将Landsat8 OLI近红外波段与GF-1 WFV近红外波段、Landsat8 OLI红光波段与GF-1 WFV红光波段、Landsat8 OLI蓝光波段与GF-1 WFV蓝光波段进行融合,利用融合后的波段和GF-1 WFV的原始波段分别计算chla指数,结合实测叶绿素a浓度数据建立单波段融合协同反演模型,单波段融合后的chla指数为

(6)

c = R'_{NIR} - [(R_{B, G} - R'_{NIR}) R'_{NIR} + R_{R, G} - R'_{NIR}]

(7)

c = R_{NIR, G} - [(R_{B, G} - R_{NIR, G}) R_{NIR, G} + R'_{R} - R_{NIR, G}]

(8)

c = R_{NIR, G} - [(R'_{B} - R_{NIR, G}) R_{NIR, G} + R_{R, G} - R_{NIR, G}]

式中 $R'_{B}$ , $R'_{R}$ 和 $R'_{NIR}$ 分别代表Landsat8 OLI与GF-1 WFV蓝光、红光和近红外波段融合后的反射率值。

3.2.3 三波段融合协同反演

将GF-1 WFV与Landsat8 OLI的蓝光、红光和近红外3个波段分别融合,利用融合后的三波段建立叶绿素a浓度协同反演模型,融合后的chla指数为

(9)

c = R'_{NIR} - [(R'_{B} - R'_{NIR}) R'_{NIR} + R'_{R} - R'_{NIR}]

。

4 结果与分析

4.1 反演结果与精度验证

研究区共获取28个采样点,其中随机抽取20个点建立反演模型,其余8个点进行精度验证。利用实测的叶绿素a浓度和chla指数关系,分别进行GF-1 WFV与Landsat8 OLI单独反演及协同反演,公式如表5所示。从表5中可以看出,近红外波段替代的反演模型R²(0.859 6)最高,与GF-1 WFV(R² = 0.366 4)及Landsat8 OLI(R²= 0.439 0)单独反演模型相比有了很大提高。

表5 叶绿素a浓度协同反演模型公式

Tab.5 Chlorophyll a concentration inversion model formula

	反演模型	反演模型公式	R²
单独反演	CF-1 WFV	y = -4 088.8x² + 1 601x + 60.778	0.366 4
单独反演	Landsat8 OLI	y = 7 388.3x² + 4 044.7x + 179.38	0.439 0
单波段替代协同反演	近红外波段替代	y = 33 245x² + 5 391.7x + 239.25	0.859 6
	红光波段替代	y = -4 752.9x² + 1 564.6x + 31.428	0.177 2
	蓝光波段替代	y = -4 364.4x² + 1 616.2x + 59.771	0.352 9
单波段融合协同反演	近红外波段融合	y = -30.245x² + 142.52x + 1.696 8	0.127 8
	红光波段融合	y = -4 416.2x² + 1 645.9x + 63.088	0.373 2
	蓝光波段融合	y = -4 195.5x² + 1 621.2x + 61.174	0.370 1
三波段融合协同反演		y = -21.137x² + 133.65x + 1.596 2	0.128 5

叶绿素a浓度反演结果的精度采用均方根误差(root-mean-square error,RMSE)和平均相对误差e进行评价,公式分别为

(10)

RMSE = [\frac{1}{n - 1} \overset{n}{\sum_{i = 1}} (c_{D} - c_{M})^{2}]^{0.5}

(11)

e = (\frac{1}{n} \overset{n}{\sum_{i = 1}} \frac{| c_{D} - c_{M} |}{c_{M}}) \times 100 %

式中: n为采样点个数; $c_{D}$ 和 $c_{M}$ 分别为反演和实测得到的叶绿素a浓度。

利用随机保留的8组实测数据对本文模型的反演精度进行验证,结果如图3所示。对反演结果的精度评价如表6所示。

图3

图3 叶绿素a浓度验证样本反演结果

Fig.3 Inversion results of chlorophyll a verification samples

表6 不同协同反演方法精度验证

Tab.6 Comparison of accuracy of the different inversion methods

指标	单独反演		单波段替代协同反演			单波段融合协同反演			三波段融合协同反演
指标	GF-1 WFV	Landsat8 OLI	近红外波段	红光波段	蓝光波段	近红外波段	红光波段	蓝光波段	三波段融合协同反演
RMSE/(mg·m^-3)	107.87	107.91	36.23	128.98	109.59	132.95	107.32	107.63	133.20
e/%	41.93	38.37	17.76	61.31	43.23	59.50	41.09	41.82	56.89

从表6可以看出,近红外单波段替代的协同方法反演精度最高,RMSE和e分别为36.23 mg/m³和17.76%,而GF-1 WFV与Landsat8 OLI单独反演的RMSE分别为107.87 mg/m³和107.91 mg/m³,e分别为41.93%和38.37%。从整体上来看,采用近红外单波段替代的方法显著提高了叶绿素a浓度的反演精度。

4.2 协同反演结果分析

由表5—表6可知,单波段替代、单波段融合和三波段融合不同协同反演方法结果得到的R²各不同,有些协同反演方法精度得到提升,而有些协同反演方法精度有所降低,通过不同协同反演方法之间的比对可发现:

1)单波段替代协同反演与GF-1 WFV单独反演相比,近红外波段替代反演精度明显提高,说明在Landsat8 OLI和GF-1 WFV协同反演过程中,近红外波段光谱分辨率和辐射分辨率的影响比其空间分辨率的影响更大,而蓝光波段与红光波段替代均导致精度降低,说明在蓝光波段与红光波段处,光谱分辨率对叶绿素a浓度反演精度的影响小于空间分辨率的影响。

2)单波段融合协同反演与GF-1 WFV单独反演相比,蓝光波段融合与红光波段融合的精度略有提高,说明蓝光波段与红光波段辐射分辨率的提高有利于叶绿素a浓度反演精度的提高; 而近红外波段融合反而使精度降低,究其原因是由于GF-1 WFV与Landsat8 OLI在近红外波段的中心波长位置及有效波宽宽度相差均较大,导致融合后的图像对叶绿素a浓度的相关性程度下降,从而使反演精度降低。

3)三波段融合协同反演与单波段融合协同反演相比,蓝光、红光波段融合后空间分辨率提高带来的增效比近红外波段融合后光谱和辐射分辨率降低产生的损失要小得多,因而3个波段融合效果与近红外波段单独融合效果相当。

4)近红外波段替代叶绿素a浓度反演方法精度最高,远大于GF-1 WFV和Landsat8 OLI单独反演精度,说明在水体叶绿素a浓度反演过程中,提高近红外波段的光谱分辨率相对于提高其空间分辨率可以更大程度地提高叶绿素a浓度的反演精度,而提高蓝光、红光波段的空间分辨率对提高精度的影响有限。

5)不同协同反演方法得到叶绿素a浓度反演精度有升高也有降低,特别是三波段融合后反演精度并没有明显提升且精度也并非最高,说明在应用多源卫星数据进行水体叶绿素a浓度协同反演过程中,需要结合传感器波段设置特征,有针对性地优选协同反演方法,而不能盲目将所有波段全部融合应用于反演,避免徒增了时间损耗却未提升反演精度。

4.3 最优协同反演分析

各方法协同反演效果与GF-1 WFV单独反演效果相比,近红外单波段替代、红光融合波段和蓝光融合波段3种方法均提高了叶绿素a反演精度。因此通过对这3种方法的组合构建最优协同反演方法,即分别取Landsat8 OLI近红外波段、GF-1 WFV与Landsat8 OLI红光融合波段和蓝光融合波段,构建chla指数,其公式为

(12)

c = R_{NIR, L} - [(R'_{B} - R_{NIR, L}) R_{NIR, L} + R'_{R} - R_{NIR, L}]

。

最优协同反演的回归模型如图4所示。

图4

图4 最优协同反演模型拟合

Fig.4 Optimal cooperative inversion model fitting

从图4可以看出,最优协同反演的拟合系数R²达到0.916 4,高于近红外单波段替代结果。利用剩余8组实测数据进行精度验证。叶绿素a浓度最优协同反演验证结果如图5所示。

图5

图5 叶绿素a浓度最优协同反演结果

Fig.5 Results of chlorophyll a optimal co-inversion

从图5中可以看出,最优协同反演结果的曲线与实测值曲线基本一致。RMSE降低到28.13 mg/m³,优于近红外单波段替代的RMSE; 平均相对误差也低于近红外单波段替代结果。通过对GF-1 WFV与Landsat8 OLI叶绿素a浓度协同反演特征研究,寻找到的最优协同反演组合显著提高了叶绿素a浓度的反演精度,对应用GF-1 WFV和Landsat8 OLI进行水质参数反演具有较好的参考意义。

5 结论

1)通过研究7种不同的协同反演方法,发现利用Landsat8 OLI近红外波段直接替代GF-1 WFV近红外波段,叶绿素a浓度反演精度较高,表明在内陆水质监测中遥感影像近红外波段的光谱分辨率比空间分辨率影响更大。但是在蓝光与红光波段处,空间分辨率对叶绿素a浓度反演精度的影响大于光谱分辨率,空间分辨率越高,叶绿素a浓度的反演精度越高。

2)在GF-1 WFV和Landsat8 OLI水体叶绿素a浓度协同反演特征研究的基础上,选用Landsat8 OLI近红外波段、GF-1 WFV与Landsat8 OLI红光融合波段和蓝光融合波段构建最优协同反演模型,优化后模型R²达到0.916 4,RMSE和e分别降低到28.13 mg/m³和17.35%,优于单独反演或其他协同反演方法。

3)采用遥感手段对湖泊叶绿素a浓度进行反演与监测是未来趋势,由于同步叶绿素a浓度实测数据获取不易,采用单时相数据进行叶绿素a浓度反演与精度验证,使得结果在一定程度上存在局限性。下一步将对太湖历年水质数据进行跟踪调查,以期获得更准确的结果。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

马荣华, 戴锦芳 .

结合Landsat ETM与实测光谱估测太湖叶绿素及悬浮物含量

[J]. 湖泊科学, 2005,17(2):97-103.

实地测试太湖水体的反射光谱,实验室分析水样,运用相关分析法探求叶绿素、悬浮物的光谱特征波段,估测叶绿素和悬浮物含量;对比Landsat ETM波段,运用不同的函数曲线对相应的波段组合进行回归拟合,建立相应的估测模型,选取精度最好的两个分别对太湖的叶绿素和悬浮物含量进行估测.结果表明:(1)对多光谱遥感而言,Landsat TM/ETM是定量获取叶绿素和悬浮物的较好的数据源,但不是最适合的数据源;(2)通过ETM3与叶绿素建立一定的函数关系来估测叶绿素含量具有较高的精度,其中利用算术组合ETM3/ETM1估测叶绿素的精度最高;(3)ETM4与悬浮物具有较高的相关度,其中利用算术组合ETM4/ETM1估测悬浮物含量的精度最高;(4)Landsat ETM卫星影像中,不同尺寸的像元窗口影响水质参数的估测精度;对叶绿素估测而言,7 ×7或者5 ×5窗口比较适合,对悬浮物估测而言,一般不超过3×3.

Ma R

, Dai J

Quantitative estimation of chlorophyll-a and total suspended matter concentration with Landsat ETM based on field spectral features of Lake Taihu

[J]. Journal of Lake Sciences, 2005,17(2):97-103.

[2]

Zimba P

, Gitelson

Remote estimation of chlorophyll concentration in hyper-eutrophic aquatic systems:Model tuning and accuracy optimization

[J]. Aquaculture, 2006,256(1-4):272-286.

[3]

Dall'Olmo

, Gitelson A

Effect of bio-optical parameter variability on the remote estimation of chlorophyll-a concentration in turbid productive waters:Experimental results

[J]. Applied Optics, 2005,44(3):412-422.

[4]

徐雯佳, 杨斌, 田力 , 等.

应用MODIS数据反演河北省海域叶绿素a浓度

[J]. 国土资源遥感, 2012,24(4):152-156.doi: 10.6046/gtzyyg.2012.04.25.

为了建立更加合理、准确的叶绿素a遥感反演模型,利用地物光谱仪测定了河北省海域水面的光谱反射率,分析了光谱反射率与实测叶绿素a浓度之间的关系。在此基础上,通过MODIS数据各波段及波段组合的反射率与实测叶绿素a浓度的相关分析,确定第1波段(B1)为最佳反演波段,建立了应用B1反演叶绿素a浓度的遥感模型,并对模型精度进行验证。结果表明: 该模型相关系数为0.66,反演结果均方根误差为0.48 mg/m3,模型精度优于SeaDAS的OC3标准经验算法; 该模型反演河北省海域表层水体的叶绿素a浓度有较好的效果。

Xu W

, Yang

, Tian

, et al.

Retrieval of chlorophyll-a concentration by using MODIS data in Hebei Sea Area

[J]. Remote Sensing for Land and Resources, 2012,24(4):152-156.doi: 10.6046/gtzyyg.2012.04.25.

[5]

Elalem

, Chokmani

, Laurion

Comparative analysis of four models to estimate chlorophyll-a concentration in Case-2 waters using moderate resolution imaging spectroradiometer (MODIS) imagery

[J]. Remote Sensing, 2012,4(8):2373-2400.

[本文引用: 2]

[6]

张明慧, 苏华, 季博文 .

MODIS时序影像的福建近岸叶绿素a浓度反演

[J]. 环境科学学报, 2018,38(12):4831-4839.

叶绿素a（Chl-a）浓度是可以直接遥感反演的重要水质参数之一，常用来评价近岸水体的富营养化程度.为有效监测福建近岸水域中的叶绿素a浓度变化，本文利用MODIS时间序列影像数据，采用适用于小样本数据的机器学习方法随机森林（Random Forest，RF）和传统的特征波段比值（Band Ratio，BR）方法，结合时序浮标观测数据，在浮标观测站点有限的情况下，采用"以时间连续补空间稀疏"的建模策略，分别对福建近岸不同时相叶绿素a浓度进行遥感反演，并对反演结果进行验证与分析.结果显示RF、BR两种方法反演的均方根误差（RMSE）分别为0.49、0.52 μg·L-1，平均绝对百分比误差（MAPE）分别为37.50%、50.20%，平均决定系数（R2）分别为0.87、0.21.可见，基于MODIS时序影像的RF模型可较准确估测福建近岸叶绿素a浓度，且精度优于BR模型.在近岸水环境普遍恶化且浮标观测站点有限的情况下，本研究可提供一种有效监测叶绿素a浓度的方法，有利于福建近岸水环境（如赤潮）的遥感监测.

Zhang M

, Su

, Ji B

Retrieving nearshore chlorophyll-a concentration using MODIS time-series images in the Fujian Province(China)

[J]. Acta Scientiae Circumstantiae, 2018,38(12):4831-4839.

[7]

旷达, 韩秀珍, 刘翔 .

基于环境一号卫星的太湖叶绿素a浓度提取

[J]. 中国环境科学, 2010,30(9):1268-1273.

DOI: Magsci [本文引用: 1]

综合环境一号小卫星的CCD数据和同步地面水质监测数据,发现可见光红波段与近红外波段的波段组合与叶绿素a实测浓度存在较高相关性,并以此为基础建立了3个提取水体表层叶绿素a浓度的遥感信息模型.经验证分析,基于近红外波段与红波段比值的模型用于叶绿素a浓度反演提取的精度良好,RMSE达到了6.04mg/m3.将该模型应用于环境一号卫星CCD数据,生成了2009年5~12月共8幅太湖水体叶绿素a浓度分布图,并对其进行了时空分析,结果符合实际,并与以往的研究结果相一致.但模型不适用于水生植被覆盖较多区域叶绿素a浓度估算.

Kuang

, Han X

, Liu

Quantitative estimation of Taihu chlorophyll-a concentration using HJ-1A and 1B CCD imagery

[J]. China Environmental Science, 2010,30(9):1268-1273.

[8]

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, 2004,8(1):37-44.

DOI:10.3321/j.issn:1007-4619.2004.01.006 URL Magsci [本文引用: 1]

水色遥感的基础之一是水体光谱特征测量与分析。水体光谱特性包括两个方面 :表观光学特性(AOPs)和固有光学特征 (IOPs)。该文主要讨论与水色遥感基本参数直接相关的表观光学量的测量与分析。现场表观光谱的测量从方法上可分为两类 :剖面测量法和水表面以上测量法。两种方法相对独立 ,适用范围上具有互补性。该文主要针对水面以上测量法进行讨论。水色遥感一般要求表观光谱特性的测量必须能够导出离水辐射率LW、归一化离水辐射率LWN、遥感反射率Rrs、和刚好处于水面以下 0 -深度的辐照度比R等。国际上有关水色的测量规范中 ,仅有针对大洋一类水体的。中国的近岸水体和湖水绝大部分是二类水体 ,因此该文也将对二类水体光谱测量的有关参数化问题进行讨论。同时 ,对数据分析处理中的一些关键参数的确定 ,提出新方法。

Tang J

, Tian G

, Wang X

, et al.

The methods of water spectra measurement and analysis Ⅰ:Above-water method

[J]. Journal of Remote Sensing, 2004,8(1):37-44.

[9]

陈宇炜, 陈开宁, 胡耀辉 .

浮游植物叶绿素a测定的“热乙醇法”及其测定误差的探讨

[J]. 湖泊科学, 2006,18(5):550-552.

详细介绍了一种国际上通用的浮游植物叶绿素a测定方法-热乙醇萃取法,并根据文献记载和作者多年的实践经验,对这种测定方法可能产生的误差进行全面的探讨,为国内水环境研究人员尽快掌握这种方法提供了科学的参考.

Chen Y

, Chen K

, Hu Y

Discussion on possible error for phytoplankton chlorophyll-a concentration analysis using hot-ethanol extraction method

[J]. Journal of Lake Sciences, 2006,18(5):550-552.

[10]

Lathrop R

, Lillesand T

, Yandell B

Testing the utility of simple multi-data Thematic Mapper calibration algorithms for monitoring turbid inland water

[J]. International Journal of Remote Sensing, 1991,12(10):2045-2063.

[11]

Kahru

, Michell B

, Diaz

, et al.

MODIS detects a devastating algal bloom in Paracas Bay,Peru

[J]. EOS Transactions American Geophysical Union, 2004,85(45):465-472.

[12]

姜晓晨, 邓正栋, 武国瑛 , 等.

Landsat 8 OLI多光谱与全色影像融合算法的比较

[J]. 信息技术与网络安全, 2018,37(8):31-35.

Jiang X

, Deng Z

, Wu G

, et al.

Comparison on fusion algorithms of Landsat 8 OLI multi-spectral and panchromatic images

[J]. Information Technology and Network Security, 2018,37(8):31-35.

[13]

Antoine

, Morel

A multiple scattering algorithm for atmospheric correction of remotely sensed ocean colour (MERIS instrument):Principle and implementation for atmospheres carrying various aerosols including absorbing ones

[J]. International Journal of Remote Sensing, 1999,20(9):1875-1916.

[14]

Gitelson.

The peak near 700 nm on radiance spectral of algae and water:Relationships of its magnitude and position with chlorophyll concentration

[J]. International Journal of Remote Sensing, 1992,13(17):3367-3373.

[15]

Gitelson A

, Merzlyak M

Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leaves

[J]. Journal of Plant Physiology, 2003,160(3):271-282.

[16]

Gons H

Optical teledetection of chlorophyll a in turbid inland waters

[J]. Environmental Science and Technology, 1999,33(7):1127-1132.

[17]

疏小舟, 尹球, 匡定波 .

内陆水体藻类叶绿素浓度与反射光谱特征的关系

[J]. 遥感学报, 2000,4(l):41-45.

Shu X

, Ying

, Kuang D

Relationship between algal chlorophyll concentration and spectral reflectance of inland water

[J]. Journal of Remote Sensing, 2000,4(l):41-45.

[18]

王珊珊, 李云梅, 王永波 .

太湖水体叶绿素浓度反演模型适宜性分析

[J]. 湖泊科学, 2015,27(1):150-162.

Wang S

, Li Y

, Wang Y

Suitability of the retrieval models for estimating chlorophyll concentration in Lake Taihu

[J]. Journal of Lake Sciences, 2015,27(1):150-162.