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。     

面向GF-1WFV数据的闽江下游叶绿素a反演模型研究

叶绿素a浓度是可直接遥感反演的重要水质参数之一,常用来评价水体的富营养化程度.为建立适合于闽江下游叶绿素a浓度的反演模型,利用地面采样数据,结合GF-1 WFV光谱响应函数,选用多元回归、BP神经网络和随机森林方法,构建了叶绿素a浓度反演模型;并根据验证数据与实测值之间的决定系数(R~2)、均方根误差(RMSE)和平均相对误差对模型反演结果进行了比较.结果发现,随机森林模型的R~2为0.895,RMSE为1.994 mg·m~(-3),平均相对误差为11.502%,是3种模型中最优的.为了评估模型的性能,进一步比较了WFV影像像元反射率反演的叶绿素a浓度值与相应的实测值.结果表明,随机森林模型同样具有较高的精度,其R~2为0.709,RMSE为3.540 mg·m~(-3),平均相对误差为25.616%.本研究可为闽江下游水环境的监测提供一定的理论依据和技术参考.     

利用Hyperion高光谱数据的三波段法反演太湖叶绿素a浓度

以2004-08-19太湖野外试验所获取的水质数据(叶绿素a浓度7.8~154.3μg.L-1,总悬浮物浓度65.0~190.2 mg.L-1,N=38)和同步的Hyperion星载高光谱数据为研究对象,利用三波段算法反演太湖水体的叶绿素a浓度.通过分析太湖固有光学量的特点,提出适用于太湖的3个特征波段的选择依据,并对波段进行优化计算,在此基础上建立了三波段统计模型,最后对模型的反演精度进行分析与评价.结果表明,Hyperion的B34(691.37 nm)、B37(721.90 nm)和B50(854.18 nm)组成三波段模型变量与叶绿素a浓度具有最高的相关系数(r=0.934),模型的决定系数(R2)和均方根误差(RMSE)分别为0.872和13.93μg.L-1,其反演精度优于传统经验统计模型,如比值模型(R2=0.844,RMSE=15.41μg.L-1)和一阶微分模型(R2=0.831,RMSE=16.00μg.L-1).研究结果证实了三波段法适用于内陆富营养化浑浊水体和Hyperion高光谱数据,为今后更精确地反演内陆水体的叶绿素a浓度提供了参考依据.     

一种基于GOCI数据的叶绿素a浓度三波段估算模型

以标准三波段算法为基础,构建了适用于GOCI影像数据的叶绿素a浓度三波段估算模型.并以三峡水库、巢湖、洞庭湖和太湖水体的289组实测叶绿素a浓度以及光谱数据作为基础,模拟了GOCI影像和MERIS影像波段,率定了模型参数,并与MERIS三波段算法和目前常用的GOCI波段比值算法进行了对比分析,最终用GOCI影像数据进行了独立数据验证.结果表明:1对目前的数据集,680 nm处和660 nm处的色素颗粒物吸收系数具有相对固定的比例关系,比值为1.351;2 GOCI三波段模型在模型率定中,得到与MERIS三波段模型近似的效果,线性拟合的决定系数为0.809,略低于MERIS三波段模型的0.820,但明显优于GOCI比值模型(0.450),有效避免了GOCI波段比值模型中在叶绿素a浓度低值区出现的"扩散"现象,体现出较好的普适性;3通过验证数据集中平均相对误差和均方根误差两个误差指标的对比,发现GOCI三波段模型误差表现与建模数据一致,与MERIS数据接近,明显优于GOCI波段比值模型;4通过GOCI影像的同步验证,发现GOCI波段比值算法会对太湖叶绿素a浓度产生明显的低估,且难以体现叶绿素a浓度空间变异.GOCI三波段算法效果相对较好.相比于目前常用的波段比值算法,GOCI三波段算法具有更高的稳定性和精度,有较强的应用潜力.     

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.     

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.     

基于Sentinel-2的平寨水库叶绿素a浓度反演

为实现对平寨水库叶绿素a的遥感监测,选取平寨水库2017年11月17—18日的实测叶绿素a浓度数据和准同步的Sentinel-2数据,通过选取最佳波段组合建立BP神经网络模型,对平寨水库叶绿素a进行反演,并分析其空间分布特征。结果表明:Sentinel-2红边波段对叶绿素a的敏感性优于可见光波段,在叶绿素a浓度反演方面具有较大潜力。相关系数最大的波段组合方式是:B5/B4、[1/B4-1/B5]*B6、[1/B4-1/B5]*B7和[1/B4-1/B5]*B8;BP神经网络模型可决系数R2为0.9160,平均相对误差为29.87%,反演精度优于三波段模型;平寨水库叶绿素a浓度空间分布差异明显,水面开阔的中心库区浓度较高,各支流上游河段浓度较低。Sentinel-2数据可较好地应用于喀斯特高原湖泊叶绿素a浓度反演,BP神经网络模型估测结果合理、可靠;研究结果可为平寨水库水环境治理提供科学依据。     

基于环境一号卫星的太湖叶绿素a浓度提取

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.     

基于HJ-1A卫星超光谱数据的太湖叶绿素a浓度及悬浮物浓度反演

通过对2010年5月2日太湖HJ-1A卫星超光谱影像的几何纠正和6S模型辐射校正,以及水体实测光谱数据和影像光谱数据分析,将太湖28个水体采样点光谱数据分别进行归一化处理和一阶微分处理后,选取和水质参数相关系数最大的波段或波段组合建立反演模型,获得太湖叶绿素a浓度以及悬浮物浓度的空间分布图.研究表明,超光谱影像B73波...     

基于GF1_WFV的千岛湖水体叶绿素a浓度时空变化

基于高分一号（GF-1）遥感影像以及水体实测样点数据,运用波段对数组合,以千岛湖为研究对象,构建和择优了叶绿素a浓度反演模型,对2013~2019年千岛湖区域水体叶绿素a浓度值进行了估算,并利用变异系数、Mann-Kendall显著性检验模型、Theil-Sen趋势分析模型对其时空变化特征进行了分析.研究表明,基于波段对数组合的反演模型可用于千岛湖清洁水体叶绿素a浓度值的反演（R²=0.8976）;年际变化分析发现,在研究期限内,千岛湖水体叶绿素a浓度平均值维持在较低水平,近94%的水体像元叶绿素a浓度小于3.65μg/L,水质较佳;时空动态分析进一步发现,千岛湖水体叶绿素a浓度值大都经历了较为微小的波动变化,其中,有超过67%的水体像元浓度值呈现出微小的增长趋势,在分布上也呈现出一定的空间格局形态.     

太湖典型湖区中胶体有机碳浓度的时空变化

利用切向流超滤技术研究了太湖梅梁湾与贡湖湾2个不同生态类型的典型湖区在不同季节胶体有机碳(COC)的浓度变化,并同步观测了浮游植物、叶绿素(Chla)、悬浮物(SS)等背景指标.结果表明,作为藻型湖区的梅梁湾,其COC浓度夏季最高,秋季最低;作为草型湖区的贡湖湾.其COC浓度在秋季最高,冬季最低;太湖梅梁湾和贡湖湾COC浓度的差异和季节变化有关,夏季梅梁湾COC浓度高于贡湖湾,差异为一年中最大;太湖水体COC浓度和Chla浓度显著正相关(r=0.81,P=0.015),表明浮游植物的生命活动址太湖水体COC的一个重要来源.     

太湖不同湖区轮虫群落结构季节变化的比较研究

2006年7月～2007年6月对太湖不同湖区(河口区、梅梁湾、太湖湖心区和贡湖湾)轮虫的季节变化进行了比较研究.整个研究期间,河口区、梅梁湾、太湖湖心区和贡湖湾轮虫种类数分别为23、15、14和21;河口区轮虫的年平均密度最高,为475个·L-1,梅梁湾最低,为164个·L-1,太湖湖心区为189个·L1-,贡湖湾为338个·L-1.4个湖区优势种不同,河口区轮虫优势种为萼花臂尾轮虫(B.cdyciflorus),梅梁湾为角突臂尾轮虫(B.angularis),太湖湖心区和贡湖湾优势种都是针簇多肢轮虫(P.trigla).食物的不同以及大型浮游甲壳动物的抑制作用,可能是太湖4个湖区轮虫群落结构不同的重要原因.相关分析表明,轮虫数量与枝角类数量、枝角类生物量和桡足类生物量极显著负相关;轮虫数量与透明度显著正相关.结果表明,太湖4个不同湖区轮虫群落结构不同.     

太湖梅梁湾浮游动物群落结构长期变化特征(1997~2017年)

浮游动物作为水体食物链的重要组成部分,在湖泊生态系统中发挥着重要作用.然而,作为水质重要监测指标,由于浮游动物群落结构长期连续监测数据的缺失,导致关于浮游动物群落结构长期变化特征的认识较为缺乏.基于太湖梅梁湾1997~2017年逐月连续监测数据,研究了浮游动物群落结构的长期变化特征,探讨了其与环境因子的关系.结果显示,在此期间,太湖梅梁湾浮游动物丰度和生物量均显著下降（P<0.05）.其中,轮虫和桡足类丰度和生物量均缓慢下降,枝角类丰度处于波动而生物量表现为显著下降（P<0.05）.枝角类生物量对太湖梅梁湾浮游动物生物量的贡献最大.小型的枝角类和桡足类的优势度随着轮虫丰度的降低而增大,浮游动物的平均体型显著减小（P<0.05）,浮游动物呈现出小型化演化特征,并潜在减弱对浮游植物的下行效应.此外,浮游动物丰度和生物量在春季呈上升趋势而在秋冬季呈下降趋势,并在9月达到最大值1406.70 ind.·L^-1和25.64 mg·L^-1.而在夏季它们的变化趋势则相反.Pearson相关性分析显示,浮游动物群落结构主要与水体物理特征（碱度、电导率、水深、悬浮物质和水温）、叶绿素a和氮元素密切相关（P<0.05）,说明太湖梅梁湾水体富营养化对浮游动物的群落结构具有重要影响.     

太湖氮素出入湖通量与自净能力研究

为了探索太湖氮素迁移转化过程,对2009～2010水文年环太湖25条主要河流及太湖梅梁湾、东太湖等典型区域的各形态氮素进行分析,并利用太湖出入湖水量、蓝藻人工打捞量和鱼产量等相关数据,分析计算太湖氮素流动和转化潜力.结果表明太湖全年河道输入氮素总量约7.00×104t,河道出湖氮素总量约4.01×104t.整个水文年中,太湖氮素自净量约3.22×104t,其中反硝化约3.02×104t,沉积物吸附约0.20×104t.在反硝化潜力上,太湖西湖区(如梅梁湾)反硝化潜力远高于东部湖区(如东太湖),而夏季太湖反硝化潜力又高于其它季节.因此,太湖氮素自净作用在湖泊氮素迁移转化中发挥重要作用.     

基于水体固有光学特性的太湖浮游植物色素的定量反演

基于2005-05～2005-08对太湖全湖不同湖区92个样点吸收系数、光束衰减系数、后向散射系数等固有光学特性测定与计算,选择色素浓度反演的最佳波段组合,利用反射率比建立了太湖叶绿素a,叶绿素a与脱镁叶绿素的定量反演模型.结果表明,全湖4次采样叶绿素a、脱镁叶绿素的变化范围分别为3.9～149.8μg·L^-1、均值为(38.14±28.89)μg·L^-1;0～45.8μg·L^-1、均值为(8.49±7.24)μg·L^-1,存在很大空间差异,湖心区和草型湖区的东太湖、胥口湾、贡湖湾色素浓度一般要低于其他湖区.同样吸收系数和后向散射系数也存在很大的空间差异,a_t(440)的变化范围为0.86～23.25 m^-1、均值为(6.21±3.31)m^-1,b_t(550)的变化范围0.05～2.25m^-1、均值为(0.72±0.52)m^-1,东太湖、胥口湾、贡湖湾的值要低于其他湖区.400～650nm随波长增加总吸收系数大致呈下降趋势,680nm附近存在1个峰值,峰值的强弱与水体中色素浓度有关,而到720nm以后则逐渐增加,后向散射系数随波长增加则逐渐降低.反射率比R(706)/R(682)能较好地用于太湖色素浓度的反演,叶绿素a、叶绿素a与脱镁叶绿素之和幂函数反演的决定系数R²分别达0.823、0.864 5.模型能用于包括湖面反射率受湖底和沉水植物影响的全太湖.     

基于太湖微囊藻毒素的叶绿素a阈值研究

以探讨叶绿素a(Chl-a)阈值为主要目的于2013年6~10月间每月在太湖采样,通过固相萃取超高效液相色谱串联质谱法对水体中3种微囊藻毒素(MC-LR、MC-RR、MC-YR)进行检测.利用SPSS软件分析各种形态的微囊藻毒素(MCs)与总氮(TN)、总磷(TP)、Chl-a、高锰酸盐指数等富营养指标的相关性,分析了MC-LR、MCs与Chl-a的关系.结果表明,太湖MCs污染较严重,其浓度的空间分布特征为:梅梁湾>贡湖、西部沿岸区>湖心区>胥湖区、南部湖区,并以MC-LR浓度最高;相关性分析表明MC-LR、MC-RR、MC-YR及MCs均与高锰酸盐指数、TN、TP、Chl-a呈极显著正相关(P<0.01).结合饮用水中MC-LR和MCs的标准限值分析得出,太湖Chl-a的阈值是12.26 mg·m-3,与美国北卡罗莱纳州湖泊的Chl-a标准值比较属于安全阈值,具有一定的科学性.     

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.     

太湖水体及表层沉积物磷空间分布特征及差异性分析

通过对水体不同程度富营养化湖泊——太湖全湖40个位点的高密度采样分析,得到太湖水体及表层沉积物各污染因子在太湖的空间分布特征图,结果表明,太湖水体中SRP、TP、TN及沉积物中TOC、TN、TP及P的各形态等在空间上表现出明显的分异性,水体中污染物主要分布于竺山湾、五里湖、梅梁湾及太湖西部等湖区,TN、TP最低值为0.05、0.88mg·L-1.沉积物中Fe-P的分布与水体中TP类似,含量在29.13～258.31mg·kg-1之间变化.Ca-P除主要分布于南部太湖及东太湖外,西北部湖区也见大量蓄积,最高值达357.68mg·kg-1.OP的高值分布于西北部湖区,最高值达371.91mg·kg-1.沉积物中IP占TP的含量高于OP,最高值高出OP含量约50%.IP中Fe-P的比例虽然低于Ca-P,但与水体中SRP、TP之间的高度相关性(R为0.49、0.64),指示Fe-P的内源释放为太湖水体中磷的重要来源之一.而沉积物中TOC与C/N、TN、TP及P的各形态之间的显著相关性,表明了高有机质含量更利于对营养盐的蓄积埋藏.太湖水体及表层沉积物各指标空间上表现出如此明显的区域性差异,除受不同湖区入湖污染源直接作用外,还和各参数不同的生物地球化学行为有关.     

太湖不同营养水平湖区表层沉积物的砷分布特征及其生态风险

以太湖不同营养水平湖区为研究对象,采用改进的砷(As)形态连续提取法对表层沉积物中As的化学形态进行分析研究,探讨了沉积物中总砷(TAs)和As形态的分布特征及其与沉积物中营养盐和总有机碳(TOC)的相关性,并利用潜在生态风险评价(Eir)和风险指数编码法(RAC)评估了各湖区沉积物中As的生态风险水平.结果表明,各湖区表层沉积物中TAs的平均含量约为14.23~16.59 mg·kg~(-1),其中,竺山湾的TAs平均含量相对最高.As形态表现出明显的空间分布特征,其中,北部富营养湖区(竺山湾、梅梁湾、贡湖湾)中的有效态As(非专性吸附态和专性吸附态)与潜在有效态As(无定形氧化铁结合态、晶体形氧化铁结合态、有机结合态)的含量与百分比均高于中营养水平的南太湖,而北部湖区的残渣态As含量则低于南太湖.Pearson相关分析结果显示,除晶体形氧化铁结合态As和残渣态As外,沉积物总氮(TN)、总磷(TP)和TOC与其他As形态均存在显著的正相关关系.潜在生态风险评价结果表明,各湖区沉积物TAs均处于低风险;而RAC评价结果表明,各湖区沉积物的有效态As基本处于中等风险水平,且北部湖区的RAC指数均明显高于南太湖.     

基于PSO算法的BP神经网络对水体叶绿素a的预测

BP神经网络(Back Propagation Network)在水体富营养化评价及预测中已广泛应用,但传统BP算法的收敛速度慢并易陷入局部最优. 提出了一种基于微粒群(PSO)算法的BP神经网络模型,利用PSO对神经网络的权值进行修正,优化神经网络结构及算法全局收敛性. 选择最能代表明湖水质状况的5号采样点作为研究对象,把2009年4月—2010年3月的月样本插值为周样本,对明湖ρ(Chla)的短期变化趋势进行了预测,并用6号采样点数据来验证网络的泛化能力. 比较分析基于PSO算法的新模型与传统BP算法模型的预测精度表明,新模型有效克服了传统算法的缺点,提高了网络的预测能力和学习能力.