基于HJ-1卫星CCD数据的厦门海域叶绿素a浓度反演

针对HJ-1A/B卫星CCD数据,建立适合于厦门海域的叶绿素a浓度反演模型,将为持续监测该海域的赤潮提供时间序列的叶绿素a浓度数据。基于2013年7月31日厦门海域水体实测光谱与叶绿素a浓度同步测量数据,及HJ\|1B卫星CCD2光谱响应函数,对各波段遥感反射率与叶绿素a浓度的相关性进行比较,证实蓝、绿波段比值与叶绿素a浓度相关性最高。对OC3模型在内的5种模型的反演结果和实测叶绿素a浓度做相关性分析,发现各模型相关系数均达到0.7以上。利用2013年7月30日实测数据对同期厦门海域HJ-1B卫星CCD2数据叶绿素a浓度反演结果进行精度验证,结果表明本地化的10指数模型在反演叶绿素a浓度动态范围较大的区域具有更高的精度。     

长江口及邻近海域悬浮颗粒物对叶绿素a遥感反演算法的影响分析

利用水介质光辐射传输数值模型Hydrolight,结合前人对长江口及邻近海域水体的生物—光学模型研究,模拟不同光学水体的遥感反射率,并分析遥感反射率对悬浮颗粒物(SPM)的敏感性以及SPM对4种叶绿素a(Chla)反演算法(二波段、三波段、荧光基线高度(FLH)和综合叶绿素指数(SCI)算法)的影响。结果表明:由Hydrolight模拟得到的遥感反射率与现场同步实测的遥感反射率的均方根误差小于0.01sr-1,其中可实现遥感反射率在550~725nm波段较精确的模拟。遥感反射率对SPM的敏感性随着Chla浓度的升高而降低。二波段、三波段算法适合低SPM浓度水体的Chla浓度反演,FLH算法反演Chla浓度时易受SPM的影响,而SCI算法在中、高SPM浓度水体中消除SPM的影响进而反演Chla的潜力较好。     

基于光谱特征的闽江干流叶绿素a遥感反演北大核心CSCD

城乡化发展与基础设施建设滞后之间矛盾的深入导致面源污染和工业废水排放对于闽江水质造成了一定影响,因而对闽江叶绿素a进行实时监测及污染物迁移动态监测,是闽江水质治理的关键步骤。文章基于四年实测光谱及水质数据,通过闽江干流实测水体光谱特征分析以及遥感影像敏感波段分析,确定了闽江干流丰、枯水期叶绿素a光谱特征存在差异,并利用多元回归及机器学习分别构建了丰、枯水期闽江干流叶绿素a浓度反演模型,通过精度验证确定了丰、枯水期叶绿素a的最佳遥感反演模型。     

太湖水体时间序列叶绿素浓度与反射光谱特征分析

对2008年5月到2009年5月采集的太湖水体反射光谱数据进行了异常数据检测、归一化等预处理后,计算了常用于叶绿素浓度反演的特征参量,包括荧光峰高度、荧光面积、特征波段比值、反射率微分;并分析建立了这些特征参量与对应叶绿素浓度的相关模型。研究表明：荧光面积、特征波段比值等与实测叶绿素浓度具有较好的相关性,而蓝绿光波段反射率比值对内陆水体叶绿素浓度反映不明显。湖泊水体的光学特征能够较好反映蓝藻的不同生长状态,太湖蓝藻随时间变化的规律大致可分为5月～11月,12月～4月两个阶段。本研究结果可为湖泊水体富营养化高光谱遥感监测的波段选择提供参考。     

基于光谱混合模型的河口表层悬浮泥沙浓度卫星遥感反演研究

选取长江口及周边海区为研究区域,利用长江口取样泥沙的不同配比浓度的实验室光谱测量数据,以2002年6月1日的MODIS Terra卫星遥感数据为研究案例,考虑高、低悬浮泥沙浓度和叶绿素a 3个端元组分,采用线性光谱混合模型反演长江口及周边海区表层悬浮泥沙浓度。反演结果很好地反映了长江口及周边海区的悬浮泥沙空间分布精细结构,空间分布特征和数值量级比较分析表明结果真实可信,初步说明该算法在我国近岸河口海区的应用效果较好。与传统的经验算法相比,基于线性光谱混合模型的悬浮泥沙反演算法更少地依赖现场实测数据,可以更加充分地利用多光谱波段信息,对于近岸河口高浑浊水体的悬浮泥沙浓度反演是一种可行的方法。      

基于GF6-WFV数据的中国东部典型湖库叶绿素a浓度反演

高分六号中分辨率宽幅相机(GF6-WFV)设计了两个红边波段,具有水体叶绿素a浓度监测的潜力。实验选取官厅水库、陆浑水库和白洋淀等6个中国东部典型湖库为研究区,获取141个采样点实测光谱和叶绿素a浓度数据。基于实测数据对4种常用的叶绿素a浓度反演半经验模型进行参数优化和模型精度验证,选取最优反演模型。结果表明,GF6-WFV数据新增红边Ⅰ波段(B5:710 nm)和红波段(B3:660 nm)构建的两波段比值模型反演精度较高,相关系数平方(R²)为0.89,平均相对误差(MRE)为34.71%,均方根误差(RMSE)为13.29 mg/m³。研究表明：利用GF6-WFV影像数据能有效反演水体叶绿素a浓度,研究基于多湖库、多时相数据建立的GF6-WFV影像水体叶绿素a浓度反演模型,在中国东部典型湖库具有较好的适用性。     

使用光谱平滑提高浑浊水体叶绿素a浓度估算模型的应用精度

水体叶绿素a浓度估算是水质参数遥感监测的重要内容,由于采样时间和地点的限制,传统估算模型的参数和形式具有较大的时间和空间依赖性。光谱平滑可以突出不同数据集的共同特征,从而增加模型的预测精度,因此考虑使用平滑方法来提高水体叶绿素a浓度估算模型的应用精度。利用太湖2004年夏季和2011年春季共4个月的数据,对比分析了移动平均、多项式平滑和核回归平滑处理前后浑浊水体实测反射光谱的变化,以及该变化对叶绿素a浓度三波段遥感估算模型和模型应用精度的影响。结果表明：核回归平滑处理后的光谱数据建立的三波段模型的残差正态分布更好,估算模型更为稳健。将2004年7月数据建立的模型用于8月数据,估算的叶绿素a浓度的RMSE从平滑前的33.56 mg/m³降低到了平滑后的25.60 mg/m³;将2011年3月建立的模型用于4月数据,估算的叶绿素a浓度的RMSE从平滑前的16.68 mg/m³降低到了平滑后的10.57 mg/m³。由此可以认为,实测光谱的核回归平滑处理有助于提高叶绿素a浓度三波段模型的应用精度,且对于叶绿素a浓度变化较大的夏季数据的改进效果更显著。     

松花湖水体叶绿素a含量与反射光谱特征关系初探

根据2008年7月在松花湖实测的水体反射光谱及实验室分析得到的叶绿素浓度数据,对松花湖水体反射光谱特征与叶绿素浓度之间的关系进行探讨与分析。研究结果表明:水体叶绿素浓度与各波长点处反射率相关性均较好,并选择700 nm处反射率建立单波段模型。而700 nm和677 nm波长处反射率比值、685 nm处光谱一阶微分、700 nm波长处波峰几何特征具有较好的相关性,给出了松花湖水体叶绿素浓度估算模型,为松花湖水体叶绿素浓度反演监测提供了一定的理论基础与参考。     

新丰江水库叶绿素浓度时空分布特征的遥感反演研究

研究水体的辐射传输机理,分析水中叶绿素、悬浮泥沙、耗氧性有机物对入射光的吸收和散射作用,求得遥感数据与水中物质浓度的定量关系,据此推导叶绿素浓度遥感反演模型。针对环境卫星数据进行大气纠正等预处理后应用模型反演新丰江水库的叶绿素浓度,反演结果与实测数据的相关系数为0.94,平均相对误差66.67%,精度较高,由此可知水库库心全年叶绿素浓度较低,库湾地区叶绿素浓度较高,实地考察发现与该地区大量的网箱养殖有关。本文的模型选取多时相数据,综合考虑多种水质因素,采用多波段求解,精度较高。     

利用MERIS产品数据反演太湖叶绿素a浓度研究

第三代水色传感器MERIS的荧光通道的合理设置为荧光遥感法的应用提供了广阔的发展前景。利用MERIS数据、同步地面光谱和水质监测数据,分别通过基线荧光高度（FLH）、归一化荧光高度（NFH）和最大叶绿素指数（MCI）建立了太湖叶绿素a浓度的荧光遥感估算模型。结果表明：MERIS荧光参数中最大叶绿素指数（MCI）较基线荧光高度（FLH）更适合太湖水体叶绿素a浓度的反演;归一化荧光高度（NFH）与实测叶绿素a浓度间的拟合效果最好。最后选取NFH进行MERIS荧光遥感模型的太湖叶绿素a浓度的反演,其结果客观地反映了太湖水体叶绿素a浓度的空间分布格局。     

基于哨兵-2数据的喀斯特高原深水湖库CODMn遥感反演

利用哨兵-2数据及多种方法反演喀斯特高原深水湖库的高锰酸盐指数(COD_Mn),对于区域水环境管理和丰富水质反演理论具有重要意义。以贵阳市红枫湖与百花湖为研究区,基于Sentinel-2 MSI影像和COD_Mn浓度数据,使用随机森林回归(RFR)、支持向量回归方法(SVR)、高斯过程回归(GPR),构建COD_Mn反演模型,获得2018～2020年不同时期的COD_Mn空间分布。结果表明：(1)RFR模型估算精度最高,验证集RMSE为0.222 mg·L^-1,MAPE为5.84%,R2为0.841;(2)红枫湖COD_Mn浓度变化呈现上游高于下游、春季高于夏季的时空分布特征。百花湖除了上游,整体湖区COD_Mn浓度较低且随时间变化不大。研究揭示了RFR模型与Sentinel-2数据在喀斯特高原深水湖库COD_Mn浓度反演具有良好的适用性。     

水质遥感监测的关键要素叶绿素a的反演算法研究进展

叶绿素a浓度是表征水体富营养化程度的重要指标,通过遥感手段反演叶绿素a浓度是实现水体富营养化监测的一个有效途径,已衍生出了一系列叶绿素a浓度反演算法。这些算法各有所长,适用范围也各自有别。由于水体光学特征差异,盲目套用这些算法难以取得预期效果。为了推动水质遥感的进一步发展,从遥感反演的原理和数据源出发,对国内外利用遥感技术反演水体叶绿素a浓度的算法进行综述。根据算法结构设计的不同,将反演算法分为6大类,分别为荧光峰和反射峰算法、波段算法、指数算法、智能算法、基于水体分类的算法体系以及分析类算法,系统地梳理各类算法并分析算法特征。从算法适用的叶绿素a浓度区间和水体类型等角度出发,总结各类算法的适用范围,评述各类算法的优缺点,以期为环境和遥感工作者提供参考。主要结论如下：①Ⅱ类水体算法外推适应性较弱,应建立并补充实测数据集,研究各类水体光学特性异同点,构建基于水体分类的通用算法体系;②无人机技术与高光谱传感器的结合可为内陆水体水质监测提供新思路;③应结合机器学习算法与机理模型,发展物理原理约束的高精度反演模型。     

春季太湖叶绿素a浓度的光谱估算与分析评价

2011年3月27日于太湖梅梁湾和湖心区域进行光谱数据采集,同步水质理化分析数据得到叶绿素a浓度区间为4.99μg/L～31.06μg/L。基于较低叶绿素a浓度水平的实测光谱数据及同步的理化分析数据分别采用二波段模型、光谱反射率一阶微分模型、反射峰位置模型、三波段模型和四波段模型对梅梁湾和湖心区域的叶绿素a浓度进行建模遥感估算。5个模型的回归分析结果对应R2分别为0.775,0.811,0.786,0.826和0.846,RMSE分别为4.02μg/L,3.52μg/L,3.82μg/L,3.44μg/L和3.24μg/L。并针对春季较低叶绿素a浓度水平下的光谱估算模型在应用价值和精度方面做了比较评价。     

应用MODIS监测太湖水体叶绿素a浓度的研究

以太湖作为实验区,将MODIS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,在此基础上通过回归拟合建立遥感监测模型,并应用模型计算出太湖水体叶绿素a浓度的分布情况,对太湖水质进行了评价。研究结果表明,MODIS影像在太湖的水质监测中是可用的,其中250m分辨率波段1、2的比值组合r2/r1与叶绿素a浓度实测值高度相关(R=0.903),适于用来反演叶绿素a浓度。     

新庙泡叶绿素a浓度高光谱定量模型研究

利用吉林省新庙泡的高光谱实测数据和水质采样分析数据,尝试通过单波段、波段比值、一阶微分和峰谷间距法建立叶绿素a反演模型。结果表明:单波段光谱反射率与叶绿素a浓度的相关性较差,不宜用于该区域的叶绿素a浓度估算;680 nm和700 nm波段反射率之比、700 nm处光谱一阶微分值和两波段峰谷间距反演模型都具有较高的决定系数,分别为0.783 4、0.792 7、0.796 9,验证模型的决定系数为0.651 3、0.431 7、0.756 4,均方根误差分别为8.69μg·L-1、14.50μg·L-1、10.04μg·L-1,显著水平P<0.01。这3种方法皆可以用于新庙泡叶绿素a浓度的定量遥感,其中又以峰谷间距法为最优。     

叶绿素反演三波段模型的多时相应用

基于对内陆水体叶绿素a、悬浮物、溶解有机物与纯水的固有光学特性分析和三波段模型的理论,利用太湖实测的水面高光谱遥感数据波段组合,进行迭代优化,得到与叶绿素浓度密切相关而受悬浮物与黄色物质影响小的最优波段组合模型。其中春季最后以[Rrs-1（677）-Rrs-1（696）]×Rrs（754）为因子建立模型,决定系数和均方根误差分别为0.9885、1.80332ug/l,验证数据的模型的均方根误差为5.8646ug/l,平均相对误差为25.5%,秋季的叶绿素浓度较高,三波段模型迭代计算中,用于去除无机悬浮物和黄色物质影响的波段不能稳定出现,为此我们补充计算了二波段模型,分别以[Rrs-1（680）-Rrs-1（710）]×Rrs（770）和R（680）-1×R（770）为因子,取得的模型决定系数和均方根误差分别为0.881,11.6322ug/l和0.883,11.52633ug/l,验证数据的均方根误差和平均相对误差为15.456ug/l,20.3%和15.684ug/l,21.4%,两种模型都能取得不错的反演效果。因此该方法可以有效地去除悬浮物和黄色物质的影响,有效地针对不同时相的特点取得较好的反演效果。     

Sentinel-2/MSI深度学习超分辨率重建及河湖水质遥感反演

针对Sentinel-2影像低空间分辨率(20 m、60 m)波段混合像元会降低内陆河湖水质反演精度的问题,提出了一种通过深度学习超分辨率重建进行水质反演的方法。首先,引入残差神经网络超分辨率重建算法,结合迁移学习方法与卷积注意模块对该算法进行改进,通过对比评估其他算法的重建精度,发现改进算法主客观评价均为最佳。接着,以上海市内陆河湖为研究区域,使用改进算法对低分辨率波段重建至10 m,结合实测水质参数及影像重建前后的光谱特征波段,利用多种回归算法构建水质反演模型进行对比。结果表明：深度学习超分辨率重建模型可有效提升水质参数的遥感反演精度;深度神经网络模型精度较高(R²>0.67),可实现更精细化制图。     

一种基于分段偏最小二乘模型的土壤重金属遥感反演方法

土壤中重金属由于其毒性而成为最有害的环境污染物之一,利用遥感进行土壤重金属检测和分布制图是目前最为高效的手段。采用哨兵二号（Sentinel-2）多光谱影像与实测样品光谱数据,对山西省铜矿峪铜矿尾矿库及其周边农田土壤的铜（Cu）含量进行估算,利用68个土壤样品的反射光谱,优选出适合土壤铜含量预测的波段,结合分段偏最小二乘法（Piecewise Partial Least Squares Regression,P-PLSR）,对土壤铜含量进行估算,将模型用于Sentinel-2影像获得了Cu含量的空间分布。通过P-PLSR对实测样品光谱建模反演Cu含量的决定系数（R²）为0.89,预测偏差比（RPD）为2.82;利用Sentinel-2多光谱影像获得了该区域Cu元素含量空间分布,其Cu含量的估算精度R²为0.74,RPD为1.73,Cu含量高值区空间分布与尾矿库关系密切。Sentinel-2多光谱数据具有高空间分辨率（10、20和60 m）、高时间分辨率和幅宽大（290 km）等优势,通过敏感波段选择并建立反演模型,可实现大范围土壤环境制图。     

太湖水体叶绿素浓度与反射光谱特征关系的研究

根据2004年10月在太湖实测的水体反射光谱及实验室分析得到的叶绿素浓度数据,对太湖水体反射光谱特征与叶绿素浓度之间的关系进行探讨与分析。研究结果表明:水体叶绿素浓度与各波长处的反射光谱相关性不大,但是反射光谱经过比值法和微分处理后,两者具有很好的相关性,而且叶绿素浓度与反射光谱700nm附近波峰几何形态特征(波峰位置、面积、净高度)相关性很好,建立太湖水体叶绿素浓度估算模型。     

秋季太湖叶绿素a浓度荧光反演研究

基于2007年11~12月太湖全湖实测水质参数和光谱数据,首先利用高斯方程对遥感反射率进行过滤分解,找出叶绿素a(chl\|a)吸收峰675 nm以后的荧光反射峰(Fluorescence Peak:FP),再以662 nm处的反射率为基准,采用归一化荧光高度法进行叶绿素a浓度(C chl-a)反演,得到chl-a反演模型。基于高斯分解获取的chl-a的荧光反射峰值R(FP)与662 nm处的反射率R (662)比值［R(FP)/R(662)］与C chl-a之间存在显著的相关性,该模型为秋季太湖水体C chl-a的最佳反演模型。在高悬浮泥沙条件下,该模型能够较好地表示出叶绿素荧光高度与叶绿素浓度之间的关系,为C chl-a反演提供新的方法和依据,并为传感器敏感波段的选取和设置提供参考。