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.     

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.     

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。     

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.     

富营养化水体中光学活性物质的垂向分布及其对遥感反射光谱的影响

富营养化水体中光学活性物质的垂向分布对水下光场分布具有重要影响,决定了水色参数定量遥感反演的精度.基于2011年8月和11月在太湖进行的垂直分层采样,分析了水体中光学活性物质含量的垂向分布特征,并探讨了其影响因素及其对水体遥感反射光谱的影响.结果表明,风速是影响富营养化水体中光学活性物质垂向分布的重要因子之一.风速较小(小于3.0 m·s~(-1))或无风时,表层叶绿素a浓度急剧增加,易形成水华;而风速大于5.0 m·s~(-1)时,水体发生垂直混合,底层叶绿素a浓度最大;其它风速条件下,叶绿素a浓度在某一水深处出现极大值.在风速小于5.0 m·s~(-1)的情况下,悬浮物浓度和有色溶解有机物(CDOM)的垂向分布相对均一;当风速超过5.0 m·s~(-1)时,底泥再悬浮过程对两者的贡献较大.在未发生藻华情况下,0~0.5 m水深范围内的叶绿素a浓度均值与波段比值的相关系数最大(r=0.86),对水体遥感反射比的影响较大;而表层悬浮物浓度对水体遥感反射比的影响最大,研究结论可为水色参数含量的精确估算提供方法论支持.     

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.     

厦门海域水体悬浮物遥感反演算法研究

通过现场实测厦门海域水体遥感反射率及水体悬浮物浓度,分析了该海域水体的遥感反射光谱特征,选取了特征波段及组合建立了该海域水体悬浮物浓度反演模型。本文经过对比分析水体中呈悬浮态的总颗粒物质量浓度的不同反演方法,最后得出悬浮颗粒物在近红外波段的反射曲线的反射率高值和低值围成的区域面积可较好的反演研究区域的悬浮颗粒物浓度,其统计回归模型的决定系数是0.66,该反演算法的RMSE是10.25mg/L,相对误差是7.79mg/L。     

珠江口水体组分的吸收特性分析

水体组分吸收特性是水下光场和水面光谱的主要影响因子,对其进行研究有助于提高对水体光学特性的认识和水质参数的遥感反演.基于2013年7月珠江口水体30个样本的实测数据,对珠江口水体总颗粒物、非藻类颗粒物、浮游藻类和CDOM的吸收特征进行了分析,结果表明:1总颗粒物吸收特征为非藻类颗粒物主导类型;2非藻类颗粒物的吸收系数遵循指数衰减规律,主要来源是陆源性输入,指数斜率Sd均值与空间变化幅度高于内陆二类水体;3多项式关系能较好地表达aph(440)与叶绿素a浓度的关系,而aph(675)与叶绿素a浓度存在很好的线性相关,辅助色素对浮游藻类吸收系数的影响主要在短波波段,长波波段叶绿素a的影响占主导地位,比吸收系数随叶绿素a浓度的增加而减小,呈现幂指数衰减规律;4CDOM输入以陆源为主,光谱曲线在紫外波段250~290 nm之间存在一个吸收肩,按光谱特征分段拟合Sg值能够更好地表达CDOM吸收特性,M值与A段(240~260 nm)的斜率Sg值呈现较强的正相关,珠江口水体的M值较小,CDOM中腐殖酸含量较高;5珠江口水体非色素颗粒物吸收在总吸收中占主导地位,浮游藻类吸收对总吸收的贡献远小于非色素颗粒物,CDOM吸收对总吸收的贡献最小,当CDOM中腐殖酸含量较高时,CDOM对水体总吸收的贡献大,腐殖酸含量较低时,CDOM对水体总吸收的贡献小.     

不同方法估算太湖叶绿素a浓度对比研究

基于2006-01-07～2006-01-09和2006-07-29～2006-08-01太湖地面实测高光谱数据以及同步水质参数数据,对比分析了三波段模型、两波段模型、反射峰位置法、一阶微分法4种方法用于估算太湖叶绿素a浓度的精度,并讨论其应用于遥感影像中估算叶绿素a浓度的可行性. 2次采样3类水色参数总悬浮物、叶绿素a浓度和有色可溶性有机物在440 nm处吸收系数的变化范围分别为12.24～285.20 mg·L^-1、 4.83～155.11 μg·L^-1和0.27～2.36 m^-1.前述4种方法在反演太湖水体的叶绿素a浓度时都取得较高的精度;决定系数分别为：0.813、 0.838、 0.872、 0.819,均方根误差分别为：13.04、 12.12、 13.41、 12.13 μg·L^-1;相对误差分别为：35.5%、 34.9%、 24.6%、 41.8%.反射峰位置法估算精度最高,但应用到叶绿素a浓度遥感影像估算比较困难.三波段模型和两波段模型的反演结果优于传统的一阶微分法,且在卫星遥感反演中具有良好的应用前景.根据模拟MERIS数据,分别得到最优三波段模型［R^-1(665)-R^-1(709)］×R(754)和两波段模型R(709)/R(681),其决定系数、均方根误差、相对误差分别为0.788、 13.87 μg·L^-1、 37.3%和0.815、 12.96 μg·L^-1、 34.8%,反映了MERIS数据能非常好地应用于太湖这类浑浊二类水体叶绿素a浓度的精确估算.     

基于HJ1A-CCD数据的高光谱影像重构研究

遥感影像高光谱重构可以从较少的光谱波段还原出丰富的高光谱信息,为水环境遥感提供更加适用的数据源,对内陆水体水色遥感具有重要意义.利用2009年6月13日获取的HJ1A-HSI和HJ1A-CCD数据,构建HJ1A-CCD数据的高光谱重构模型,重构结果表明:①与地面实测数据相比,重构数据和HJ1A-HSI数据在660～900 nm波长范围内的平均相对误差分别为0.305 1和0.337 7;②重构影像信息熵和平均梯度都高于HJ1A-HSI影像.此外,分别利用HJ1A-HSI数据和重构数据建立叶绿素a浓度的三波段反演模型,发现重构数据能得到更高的反演精度.     

基于光学分类的太湖水体叶绿素a浓度高光谱遥感

利用2006年11月、2008年11月、2010年5月和8月的太湖水体原位观测数据,在对水体进行光学分类的基础上,分别建立了针对各个类别水体的叶绿素a浓度高光谱反演模型.通过对每类水体各个模型的性能比较,结果表明:第一类水体,四波段模型为最优模型;第二类和第三类水体,一阶微分模型均为最优模型.同时,也比较了水体分类前后模型的表现,表明水体分类后模型在精度和稳定性上都有不同程度的提高.本研究结论对光学复杂混浊湖泊水体的水色遥感具有参考意义.     

基于Sentinel-2 MSI影像的秦皇岛海域叶绿素a浓度遥感反演

基于2013-2018年秦皇岛海域实测遥感反射率和叶绿素a浓度数据,建立了该海域Sentinel-2MSI影像的叶绿素a浓度遥感反演模型。结果表明：443 nm、490 nm和560 nm处的等效遥感反射率比值与叶绿素a浓度相关系数普遍高于其他波段或组合,通过经典的OC3Mv6算法拟合分析,得到秦皇岛海域叶绿素a浓度遥感反演的最佳算法,R²=0.804,MAPE=40.2%,RMSE=4.73 mg/m³;利用2016年7月6日的实测叶绿素a浓度数据对Sentinel-2 MSI遥感反演结果进行了真实性检验,MAPE=35.9%,可以满足应用要求;采用2020年2月、5月、7月及10月Sentinel-2 MSI影像进行叶绿素a浓度反演,发现春、夏季秦皇岛海域叶绿素a浓度梯度变化显著,而秋、冬季叶绿素a浓度分布相对均匀,且春、夏季沿海海域叶绿素a浓度明显高于秋、冬季。     

基于稀疏表达的水体遥感反射率高光谱重构及其应用

高光谱重构技术可以有效地突破多光谱卫星传感器波段设置的限制,获得更多更有效的地物光谱信息.本研究基于稀疏表达方法提出了一种针对水体遥感反射率的高光谱重构算法,以太湖、杭州湾的原位水体光谱数据为数据源,在5种常用水色传感器(Sentinel-2A MSI、MERIS、MODIS Aqua、GOCI以及ⅦRS)上进行了高光谱重构实验,最后将该算法应用于GOCI数据,进行了算法适用性验证.结果表明:(1)基于稀疏表达的高光谱重构算法可以在不利用实测光谱数据的情况下实现高光谱重构,光谱重构精度高于多元回归光谱重构算法;(2)基于稀疏表达的高光谱重构算法在5种水色传感器上都取得了较好的效果,平均相对误差均在10%以下,均方根误差均在0.005 sr-1以下;(3)相比于原始GOCI多光谱数据,经稀疏表达高光谱重构后的GOCI数据在叶绿素a浓度和总悬浮物浓度估算精度上有不同程度提升.其中对叶绿素a浓度估算而言,平均相对误差从80.6%减少至51.5%,均方根误差从12.175μg·L~(-1)减少至7.125μg·L~(-1);对悬浮物浓度估算而言,平均相对误差从19.1%减少至18.8%,均方根误差从29.048 mg·L~(-1)减少至28.596 mg·L~(-1).     

基于TM数据北京城区水体叶绿素a浓度反演方法研究

叶绿素是城市水体富营养化的重要表征参数.以北京城区重点水体为研究对象,利用2011年6月8日TM遥感影像及同步获取的实测数据,在对TM数据进行几何校正和大气校正等预处理的基础上,选取相关性最大的TM2/(TM1 +TM4)波段组合进行叶绿素a浓度反演;利用2008 ～ 2010年的历史TM影像及人工水质站点准同步的实测数据,对模型的精度及适用性进行分析得出:回归模型适用于30 m以上的北京城区水体叶绿素a浓度监测,相对误差为17.04％.