辽东湾MODIS生物光学算法研究(Ⅰ)算法适用性评估

辽东湾是典型的复杂二类水体,我们利用2002～2004年在辽东湾现场实测的叶绿素a数据(分光法、荧光法和HPLC法),以及水面之上法现场实测的离水辐射率和遥感反射率数据模拟的MODIS各相应波段值对MODIS海洋水色算法进行了评估.评估的MODIS生物光学算法有四个,即CZCS_pigm、chlor_MODIS、chlor_a_2和chlor_a_3算法.结果表明,两个一类水体生物光学算法(CZCS_pigm和chlor_MODIS)反演值与分光法和荧光法测试分析结果相比,算法均低估了叶绿素a浓度,与HPLC分析结果相比算法高估了叶绿素a浓度;两个二类水体算法(chlor_a_2和chlor_a_3)与所有叶绿素a分析方法相比,均高估了叶绿素a浓度.根据MODIS生物光学算法在辽东湾的具体表现,我们认为HPLC法分析的叶绿素a浓度更适合于作为海洋水色算法评估的现场检验依据.叶绿素a浓度的反演值和实测值之间较低的相关系数则显示MODIS两个一类水体算法所采用的波段比值不适合本海区.     

近岸海域水色算法真实性检验的不同叶绿素a测试方法换算模型

现场叶绿素a浓度是卫星水色遥感算法真实性检验的重要依据.测试方法不同,对遥感反演的叶绿素浓度对比有较大的影响.本文依据海洋监测规范和NASA的海洋光学观测规范采用三色光分光光度法、荧光光度法和HPLC法对辽东湾、大连湾水样的同步分析,建立了分光法与荧光法、分光法与HPLC法、荧光法与HPLC法得到的叶绿素a浓度换算模型,各相关系数均高于0.8,显示了良好的一致性.     

太湖水域叶绿素a浓度的遥感反演研究

利用太湖水域MODIS遥感数据的各波段反射率组合计算值,与实测的叶绿素a浓度进行相关性分析,找到相关性最好的反射率组合,建立反演太湖叶绿素a浓度的遥感模型.结果表明,利用MODIS数据可以较好地实现对太湖水域叶绿素a浓度的定量反演计算,并以MODIS数据第3、第17波段的反射率组合作为遥感指数建立了反演叶绿素a浓度的模型.第3、第17波段的波长范围分别为459nm～479nm、890nm～920nm,这一波段选择与以往使用TM数据得到的结论有所不同.     

基于环境一号卫星数据的太湖叶绿素a浓度反演

环境一号卫星在大型水体水环境监测与评价中具有独特的优势。为探求遥感影像在水体叶绿素a浓度反演中的应用,基于环境一号卫星CCD数据和同步实测叶绿素a浓度值,通过影像辐射定标、大气校正和几何精校正等预处理获取水体反射率,分别将单波段和不同特征波段组合的反射率与实测叶绿素a值进行皮尔逊相关分析,选取R20.8的波段组合进行建模,通过对3种波段组合反演结果对比和精度验证,发现基于CCD数据第4波段与第3波段反射率比值的二次模型具有良好的反演效果,模型预测值与实测值的最小相对误差为0.76%,平均相对误差10.99%,均方根误差为0.007 6 mg/L,明显低于实测叶绿素a浓度的平均值;最后基于该模型实现了太湖叶绿素a浓度反演,并对叶绿素a的时空分布进行了初步分析。     

基于GOCI影像和水体光学分类的内陆湖泊叶绿素a浓度遥感估算

叶绿素a作为水质参数之一,常用来作为衡量水体富营养化程度的指示标准.利用从太湖及洞庭湖获取的326个实测数据,基于实测遥感反射率对水体光谱进行光学分类,结果表明所采集的样点可分为3种水体类型.结合GOCI的波段设置,建立了不同类型水体的叶绿素a浓度反演模型.水体类型一可以利用490 nm(3波段)和555 nm(4波段)来反演,水体类型二可利用660 nm(5波段)和443 nm(2波段),水体类型三利用745 nm(7波段)和680 nm(6波段).精度分析表明,分类后的平均相对误差明显下降,类型一为38.91%、类型二为24.19%、类型三为22.90%;类型一均方根误差为4.87μg·L-1、类型二为8.13μg·L-1、类型三为11.66μg·L-1;分类前后的总体平均相对误差由49.78%降低到29.59%,总体均方根误差由14.10μg·L-1降低到9.29μg·L-1,分类后反演精度得到了显著提高.利用2013年5月13日8景GOCI影像反演了太湖的叶绿素a浓度,结果表明,2013年5月13日太湖叶绿素a浓度日变化显著,高值区主要集中在竺山湾、梅梁湾、贡湖湾,低值区主要集中在湖心区以及南部区域,10:00以后太湖西南部沿岸的叶绿素a浓度显著降低.这种先分类后反演的方法对于二类水体的模型反演精度的提高具有重要作用.     

基于不同光谱主导因子的内陆湖泊水体叶绿素浓度三波段反演模型研究

利用分层聚类法,对实测的遥感反射率进行分类,结合固有光学特征和实测的水色要素,确定每种类别遥感反射率光谱变化的主导影响因子.根据太湖、滇池、三峡库区及巢湖的地面遥感实验,将其遥感反射率分为3类,类型一的光学特性由总悬浮物和浮游藻类共同主导,类型二的光学特性由浮游藻类主导,类型三的光学特性由悬浮物主导.根据每类水体光学特征的差异,分别建立叶绿素浓度的三波段反演模型,反演的平均相对误差为23.8%,均方根误差为8.5 mg/m3,其反演精度要高于未经分类而直接建立的三波段模型.     

广州流溪河水库叶绿素a遥感反演研究

叶绿素a是衡量水体初级生产力和富营养化程度的一项重要指标。本研究在讨论分析反演水体叶绿素a浓度的半分析生物光学模型理论基础上,利用Landsat TM数据及中巴资源卫星02星CCD相机高分辨率数据,结合实测数据建立广州流溪河水库叶绿素a浓度的波段比值型反演模型。该模型对两个不同监测日期的叶绿素a浓度反演效果较好,拟合系数(R2)分别达到0.860和0.715,均方根误差分别为0.102μg/L和0.198μg/L。反演结果表明,流溪河水库叶绿素a浓度整体较低,均在2.0μg/L以下,空间分布在湖库区较均匀,入库支流玉溪河水域叶绿素a浓度略高于湖库区。     

基于GF-1 WFV影像和BP神经网络的太湖叶绿素a反演

叶绿素a浓度是可直接遥感反演的重要水质参数之一,常用来评价湖泊水体的富营养化程度.太湖是典型的二类水体,光学性质复杂,应用一类水体线性反演模式拟合较为片面且难以找到最佳拟合模型.BP神经网络模型具有模拟复杂非线性问题的功能.为研究高分一号卫星16m多光谱相机WFV4结合BP神经网络进行太湖叶绿素a浓度监测的可行性,实验利用GF-1 WFV4影像和实时的地面采样数据,建立了BP神经网络模型,同时采用波段比值经验模型进行对比.经精度检验,BP神经网络模型预测值与实测值之间的可决系数R2高达0.9680,而波段比值模型的R2为0.9541,且均方根误差RMSE由波段比值模型的18.7915降低为BP神经网络模型的7.6068,平均相对误差e也由波段比值模型的19.16%降低为BP神经网络模型的6.75%.结果证明,GF-1 WFV4影像应用BP神经网络模型反演太湖叶绿素a浓度较波段比值模型精度有所提高.将经过水体掩膜的GF-1 WFV4影像用于训练好的BP神经网络反演太湖叶绿素a浓度分布,结果显示,叶绿素a高浓度区集中分布在湖心区北部、竺山湾、梅梁湾区域,与之前的研究一致.本文研究结果验证了采用BP神经网络模型对GF-1 WFV4影像进行太湖叶绿素a浓度反演的可行性.     

利用高光谱反演模型评估太湖水体叶绿素a浓度分布

叶绿素a浓度是评价水体富营养化和初级生产力的一个重要参数,高光谱遥感是获取叶绿素a浓度的有效手段.为建立太湖水域叶绿素a的最佳高光谱估算模型,选取2015年5—7月共计60组同步实测高光谱数据和叶绿素a浓度数据,在地面光谱反射率和叶绿素a浓度相关性分析的基础上,使用2∶1的数据样本进行太湖水域叶绿素a的最佳高光谱估算模型的建立和验证,筛选模型分别为波段比值、三波段、荧光峰位置、峰谷距离、一阶微分、NDCI(Normalized Difference Chlorophyll Index)、峰面积、荧光峰高度、WCI(Water Chlorophyll-a Index)和四波段模型.结果表明,建模得到的四波段模型决定系数最高,峰面积模型的决定系数相对最低;四波段模型的反演精度最高,均方根误差(RMSE)为0.00376 mg·L~(-1),平均绝对误差(MAPE)为27.86%,而WCI模型的反演精度相对最低,RMSE为0.01231 mg·L~(-1),MAPE为45.11%.将反演精度最高的四波段模型应用于2015年8月3日的两景HSI(Hyperspectral Imaging Radiometer)高光谱影像数据,也得到较高精度,利用同步实测叶绿素a浓度验证的决定系数为0.7643,RMSE为0.00433 mg·L~(-1),MAPE为45.62%.在春、夏季叶绿素对水体光学特性占主导作用且叶绿素分布均匀的情景下,本研究可为太湖水域叶绿素a的高光谱反演和水环境监测提供有价值的参考,其它季节水体光谱特点的研究尚待进一步开展.     

二类水体短波红外波段大气校正方法的改进

海洋水色遥感技术在海洋生态环境研究中越来越受到重视.大气校正是海洋水色遥感中的一个关键问题,短波红外波段(SWIR)方法是目前在二类水体大气校正中应用较多的一种方法.现有的SWIR方法假设在对数坐标下,大气校正因子在外推波段与基准波段间按线性关系变化.当波段跨度不大时,这一线性近似与辐射传输模型模拟结果相符,而当波段跨度较大时,则存在一定差异.针对这一问题,本文采用分段外推的方法,修正了大气校正因子,对SWIR方法进行了改进.同时,选取2010年10月4日和2012年4月4日两景渤海海域的MODIS遥感图像,先引入浑浊度来分析渤海海域水体清洁程度,进而在区分出的二类水体区域分析改进方法的效果.结果表明,改进后方法的结果比原方法整体偏小,在渤海区域的差异在1%~15%之间.在卫星遥感数据的反演中有必要关注这一问题.     

渤海表层叶绿素a时空分布及演变特征

应用MODIS(Moderate Resolution Imaging Spectroradiometer)三级月平均遥感反演数据对2003年~2013年渤海表层叶绿素a浓度的空间、年际及季节分布特征与演变模式进行分析。结果表明:渤海表层水体叶绿素a浓度在靠近陆域的浅层水域浓度偏高,最高值分布于莱州湾、渤海湾、辽东湾等三个内湾水域;2003~2013年,除莱州湾外,渤海表层叶绿素a浓度呈逐年增加趋势;季节性变化方面,除渤海中部与渤海海峡,叶绿素a浓度每年有2次高峰期,峰值分别出现在早春与夏末,两次峰值间的夏季中期出现一次极低值,峰值出现时间依据地理位置不同有1个月左右时间差别。     

辽东湾地区大气扩散参数研究

利用在百米气象铁塔上安装的三轴风速仪获得的冬夏两季 10m及 75m高处的风速涨落数据 ,计算分析了湍流统计量的变化规律。并以 75m高处三轴风速仪观测统计量及Draxler方法为基础推荐了一套适合于辽东湾地区不同高度源的小尺度 (10km以内 )的扩散参数。     

Validation of MODIS aerosol retrievals and evaluation of potential cloud contamination in East Asia

MODIS aerosol retrievals onboard Terra/Aqua and ground truth data obtained from AERONET(Aerosol Robtic Network) solar direct radiance measurements are collocated to evaluate the quality of the former in East Asia. AERONET stations in East Asia are separated into two groups according to their locations and the preliminary validation results for each station. The validation results showed that the accuracy of MODIS aerosol retrievals in East Asia is a little worse than that obtained in other regions such as Eastern U.S., Western Europe, Brazil and so on. The primary reason is due to the improper aerosol model used in MODIS aerosol retrieval algorithm, so it is of significance to characterize aerosol properties properly according to long term ground-based remote sensing or other relevant in situ observations in order to improve MODIS retrievals in East Asia. Cloud contamination is proved to be one of large errors, which is demonstrated by the significant relation between MODIS aerosol retrievals versus cloud fraction, as well as notable improvement of linear relation between satellite and ground aerosol data after potential cloud contamination screened. Hence, it is suggested that more stringent clear sky condition be set in use of MODIS aerosol data. It should be pointed out that the improvement might be offset by other error sources in some cases because of complex relation between different errors. Large seasonal variation of surface reflection and uncertainties associated with it result in large intercepts and random error in MODIS aerosol retrievals in northern inland of East Asia. It remains to be a big problem to retrieve aerosols accurately in inland characterized by relatively larger surface reflection than the requirement in MODIS aerosol retrieval algorithm.     

辽东湾近岸冰区生态环境初步调查研究

１９９６年１月２６－３１日，在辽东湾近岸冰区选设４个站位进行了一次内容较为全面的生态环境调查研究，其项目包括温度、盐度、ｐＨ、ＤＯ、ＣＯＤ、ＴＯＣ、ＰＯＣ、营养盐、微生物、叶绿素、浮游植物、浮游动物和度栖动物。结果表明，辽东湾近岸冰区营养盐含量丰富，叶绿素ａ含量较低，存在一定数量的浮游生物。海水中硝酸盐、铵盐和磷酸盐含量均为冰中含量的１．５倍左右，海水中硅酸盐含量是冰的４．１６倍，亚硝酸盐和叶绿素     

用TM图象估算海表面叶绿素浓度的神经网络模型

叶绿素浓度是衡量海洋水体质量的重要参数之一。本文以大连湾为示范区于1999年5月10日进行了现场卫星同步实验，采用神经网络模型技术模拟了TM1、TM2两个波段的辐射亮度值与在该湾海域现场获得的叶绿素浓度数据之间的传递机理。结果表明，使用TM图象的两人可见光波段作为输入，采用两层神经网络结构能建立比多回归分析更高的海水表层叶绿素浓度模型。回归分析的相关系数为0.49，神经网络分析的相关系数为0.87.     

辽东湾氮磷营养盐变化特征及潜在性富营养评价

根据2002-06～2002-09之间4个航次的调查资料,阐述了辽东湾海域氮磷营养盐的时空变化特征,并对氨氮NH₄⁺-N、硝酸态氮NO₃^--N和亚硝酸态氮NO₂^--N、磷酸盐PO₄^3--P和pH及盐度进行了相关分析,对海域进行了潜在性富营养化评价.结果表明:该海域氮磷营养盐随月份和空间的不同呈现不同的变化规律,近岸海域受径流影响较大,海区中间则是海洋生物化学过程影响较大.N/P值从6月初的52.5上升到7月初的60.6,在9月初又降到39左右,都远大于Redfield值16.氮磷营养盐和pH及盐度表现出不同的相关关系,如在6月NO₂^--N和pH的相关系数高达0.93.4个航次中辽东湾总氮值为212.0μg/L,磷酸盐值为10.1μg/L,N/P(原子比)为50.77,潜在性富营养化评价结果为:辽东湾在调查期间为磷限制中度营养盐区.     

辽东湾海冰晶体结构及其内部叶绿素的初步研究

本文介绍了１９９６年冬季首次辽东湾生态环境调查中的海洋背景条件。扼要地阐述了辽东湾海冰一般概况，分析辽东湾冰样晶体结构、存储条件及其与冰内和冰下海水叶绿素之间的关系。辽东湾冰内叶绿素符合其它结冰海区的一般规律。根据辽东湾冰层底部实测盐度变化规律阐明海冰对冰下海水营养盐的贡献。最后对深入开展结冰海区生态环境调查工作的技术、侧重点和意义做了讨论。     

中国地区MODIS气溶胶光学厚度产品综合验证及分析

讨论了2000年02月~2019年08月不同分辨率、算法中等分辨率成像光谱仪（MODIS）气溶胶光学厚度（AOD）产品在不同季节、区域、下垫面条件下中国区域的精度和适用性,在像元尺度上对比了重采样降低分辨率后的多角度大气校正（MAIAC）AOD数据与其他产品的精度.研究表明：在同等验证条件下,相较于暗目标算法（DT）、深蓝算法（DB）和暗目标与深蓝结合算法（DTB）,1km MAIAC AOD产品在中国地区与AERONET站点AOD观测数据整体一致性最高,R²达到0.891,均方根误差（RMSE）仅为0.126,超过75%的验证样本落在期望误差线（EE）范围内;同时,该产品受季节、区域和下垫面变化影响也最小,其中秋季R²达到0.917,RMSE为0.111,样本落在EE内的比例达到80.11%.3km DT算法AOD产品在植被覆盖率较大的森林和农田区域优于1km MAIAC AOD产品,在植被覆盖率较小的草地和城市区域则差于1km MAIAC AOD产品,且该产品在不同季节均存在AOD高估问题,其中,夏季高估程度最高（平均相对误差（RMB）=1.622,AOD值高估62.2%）.DB在长三角和珠三角地区存在AOD被低估的现象.DTB算法兼顾了DT算法和DB算法的优缺点,DTB算法AOD产品的相关性一般高于DB算法AOD产品,样本被高估程度一般低于DT算法AOD产品.通过重采样方法降低1km MAIAC AOD产品分辨率后,相同尺度下的MAIAC AOD数据精度优于DT算法、DB算法和DTB算法AOD产品,因此,MAIAC算法更适用于小尺度城市群集中区域的大气环境监测.     

基于机器学习方法的太湖叶绿素a定量遥感研究

为了比较评价人工神经网络和支持向量机2种机器学习算法在水质遥感中的应用能力,本研究首先从基础理论和学习目的入手,对比分析了2种机器学习算法的理论体系;其次,以太湖为例,基于MODIS遥感影像,构建了反演太湖叶绿素a浓度的2种机器学习方法模型,通过对模型的验证、稳定性和鲁棒性分析以及全湖反演结果对比3个方面评价了2种模型的泛化能力.验证结果表明,支持向量机模型对验证样本预测结果的均方差根和平均相对误差分别为5.85和26.5%,而人工神经网络模型的预测结果均方差和平均相对误差则高达13.04和46.8%;稳定性和鲁棒性评价亦说明,以统计学习理论为基础的支持向量机模型具有更加良好的稳定性、鲁棒性,空间泛化能力优于人工神经网络模型;2种机器学习算法对太湖叶绿素a的浓度分布反演结果基本一致,但人工神经网络模型因其学习目标设定和网络构建中的“过学习”等缺陷,造成了对东太湖以及湖心区叶绿素a的反演结果与实际监测结果差异较大.