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.     

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.     

香港近海海域叶绿素a定量反演及时空变化分析

以2009~2019年HJ-1A/B卫星多光谱数据和对应日期的实测数据为数据源,通过预处理提取出各波段组合反射率并与实测叶绿素a浓度数据进行统计相关性分析,选取相关性最高的波段组合作为特征变量与2/3的实测叶绿素a浓度数据进行建模,并用剩下的1/3实测叶绿素a浓度数据进行精度验证以确定最佳遥感反演模型,最后根据最佳反演模型对2009-2019年的香港近海海域叶绿素a浓度进行反演,明晰该海域近10年的叶绿素a浓度时空变化特征.结果表明：利用HJ-1A/B卫星多光谱数据反演香港近海海域叶绿素a浓度的最佳波段组合为第3波段和第2波段比值（B3/B2）,相关系数（r）为0.893;最佳反演模型为利用B3/B2构建的e指数回归模型（Chl=0.004e^6.693(B3/B2)）,决定系数（R²）为0.934,均方根误差（RMSE）为0.255μg/L,平均相对误差（RPD）为25%;近10年香港近海海域的叶绿素a浓度时空变化特征：空间上整体呈现“东高西低,由东向西逐渐减小”的分布特征,西部海域比东部海域平均浓度低5μg/L左右;2017年内呈“春低秋高,夏升冬降”的随季节变化特点,其中秋季最高,夏春两季次之,冬季最低.     

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...     

面向GOCI数据的太湖总磷浓度反演及其日内变化研究

总磷浓度是水质评价的一个重要指标,是水体富营养化、蓝藻水华暴发的重要影响因素,遥感技术具有范围广、时效高的优势,利用卫星遥感监测总磷浓度,对于水质和富营养化的研究有着重要意义.利用2013~2014年3次地面实验数据,构建了基于GOCI影像的总磷反演模型,为了检验模型的适用性,选取2014年春、夏、秋、冬各1日GOCI影像,对太湖总磷浓度的日内变化进行分析.结果表明,利用GOCI数据8个波段的波段组合作为变量,进行逐步回归分析所建立的模型具有较高的反演精度,模型的决定系数为0.898,平均绝对误差百分比为14.296%,均方根误差为0.026 mg·L~(-1).同时,利用地面实测样点与同步卫星影像对模型进行了精度分析,2014年8月5日和2014年10月24日同步影像的验证精度分别为:平均绝对误差百分比为33.642%和22.551%,均方根误差为0.076 mg·L~(-1)和0.028 mg·L~(-1).对4个季节中4 d的30幅影像对比分析表明,不同季节总磷浓度的绝对含量存在差异,但是,总磷浓度的时空分布及从早晨到下午的差异性存在相似性.从空间分布上看,梅梁湾、竺山湾、贡湖湾及西南部沿岸小梅港、长兜港总磷浓度长期偏高,各个区域的总磷浓度变化受到风向、风速等因素的影响;从时间变化上看,早上总磷浓度最高,随后逐渐降低,反映了总磷浓度受到温度和光照影响的效果.     

利用GOCI卫星数据开展秦皇岛海域叶绿素a浓度反演

利用2016年4月23日、4月24日、6月1日和7月6日采集的水体实测数据及同期的GOCI（Geostationary Ocean Color Imager）卫星遥感影像,开展秦皇岛海域的叶绿素a（chlorophy a,Chl a）浓度研究。通过归一化暗像元指数（normalized dark pixel index,NDPI）对影像8个波段组合的辐射率与Chl a浓度进行相关性分析,选择相关系数≥70%的波段组合作为自变量,构建Chl a浓度反演模型（R2=0.956）。经独立时相实测数据检验,模型平均相对误差为25.3%。利用该模型反演秦皇岛海域2017年12月—2018年11月的Chl a浓度,结果显示,秦皇岛海域近岸的Chl a浓度总体较高,秋、冬季节总体浓度较低,夏季出现浓度峰值。     

结合水体光学分类反演太湖总悬浮物浓度

本研究利用2008年11月、2009年4月、2010年5月及2010年8月的太湖水体原位观测数据,在对光学复杂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总悬浮物浓度高光谱反演模型.通过对每类水体中各个模型的性能比较,分别得到各类水体的最优模型:第一类水体,比值模型为最优模型;第二类水体,半分析模型2为最优模型;第三类水体,一阶微分模型为最优模型.同时,比较分类前后模型的精度和稳定性,结果表明分类后,两者均表现出不同程度的提高,并且分析了光学分类导致半分析模型精度下降的原因.最后针对本研究的结果在遥感数据上的适用性进行了探讨,表明在高光谱遥感数据上有很大的应用潜力.本研究结论对光学复杂湖泊水体的水色遥感具有积极重要的意义.     

基于TM影像的乌梁素海叶绿素a浓度反演

首先选取预处理后乌梁素海TM影像的单波段及波段组合与实测叶绿素a浓度进行分析,发现相关性很低。然后,结合乌梁素海的水利条件和自身特点,把湖区分为两个区,发现波段组合(TM1+TM2+TM4)/TM3和TM4/TM3与叶绿素a浓度有较高的相关性。最后,选取误差较低的波段组合(TM1+TM2+TM4)/TM3建立线性模型,实时、快速地反演乌梁素海湖区叶绿素a浓度,与实地情况吻合,为乌梁素海"黄苔"预警提供理论依据。     

基于集合均方根滤波的太湖叶绿素a浓度估算与预测

叶绿素a浓度作为表征水质状况的重要参数之一,反映了水体富营养化程度和藻类含量,是决定水体的反射光谱特征的重要因素,也是水质遥感领域研究较多的一项水质参数.研究叶绿素a浓度的遥感定量反演可以为湖泊水质监测与评价提供新的思路和方法.本研究发展了一个基于集合均方根滤波和风生流的污染物扩散模型的数据同化方案,并结合2010年5月20日的太湖3个浮标观测站点的观测数据进行了同化实验.首先对太湖叶绿素a浓度进行同化估算,然后利用优化后的估算结果对太湖叶绿素a浓度进行了为期6 h的预报.在同化阶段,均方根误差分别从1.58、1.025、2.76降低到了0.465、0.276、1.01,平均相对误差也从0.2降低到了0.05、0.046、0.069.在预报阶段,均方根误差从1.486、1.143、2.38降低到了0.017、0.147、0.23,平均相对误差也从0.2降低到了0.002、0.025、0.019.结果表明,利用集合均方根滤波的数据同化方法可以有效地提高太湖叶绿素a浓度的估算与预报精度.     

基于数据同化的太湖叶绿素多模型协同反演

在国内外众多学者的不懈努力下,开发了大量的水质参数遥感估算反演模型,但不同的模型都具有其"局限性",只能从某个层面反映"真值".基于上述考虑,本研究发展了基于数据同化方法的太湖叶绿素a浓度多模型协同反演算法.利用2006~2009年太湖野外实测水体高光谱遥感反射率数据,构建了7个叶绿素a浓度反演模型;通过模型精度对比,最终遴选出6个适宜的叶绿素a浓度反演模型.进而使用不同模型组合,进行多模型协同反演.结果表明:1多模型协同反演算法的反演精度要高于单模型反演的反演精度,最优MAPE仅为22.4%;2随着参与多模型协同反演的模型个数的增加,其反演精度也逐渐提高,MAPE均值从25.6%降低到23.4%,RMSE均值从15.082μg·L-1降低到14.575μg·L-1,相关系数R均值从0.91提升到0.92;3通过对多模型协同反演产品的置信区间进行计算,可以有效地估算产品精度和误差,同时使得获取全湖反演叶绿素a浓度的误差空间分布情况成为可能.     

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.     

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.     

环太湖河流水质时空分布特征

针对太湖流域所划分的5个污染控制区,对各区共29条主要环太湖河流水质指标进行了测定,分析其时空变化特征,旨在为合理预防和治理太湖水体富营养化提供依据. 结果表明,北部重污染控制区内河流污染最为严重,并呈现出北部重污染控制区＞湖西重污染控制区＞浙西污染控制区＞东部污染控制区的趋势. 对比10年来历史数据表明,环太湖河流水质呈好转趋势,但现状仍不容乐观. 入湖河流污染问题依然严峻,而削减氮入河量是太湖入湖河流治理的重中之重.      

太湖水体中氮、磷空间分布特征及环境效应

研究分析了太湖水体中氮、磷空间分布规律. 结果表明,太湖水体中各种形态氮、磷的空间分布呈现出非均一性特征,梅梁湾、竺山湾、贡湖湾、西岸区和湖心区水体中总氮、总磷浓度显著高于其他湖区,溶解态氮/磷、碎屑氮/磷的空间分布规律与总氮/磷的基本一致. 总氮与溶解态氮、碎屑态氮之间存在显著的线性正相关,且相关系数分别为r_DN=0.819 2和r_DeN=0.696 9;总磷与溶解态磷、碎屑态磷也存在极显著的线性正相关,对应的相关系数为r_DP=0.747 7和r_DeP=0.926 0. 水体中叶绿素a的空间分布差异较大,最高浓度出现在太湖的西部(179.2 μg·L^-1±25.9 μg·L^-1),最低的则出现在东太湖七都水域附近(11.3 μg·L^-1±2.7 μg·L^-1). 叶绿素a与总氮、碎屑态氮、总磷、溶解态磷、碎屑态磷、高锰酸盐指数、pH值和悬浮质存在显著的线性正相关,对应相关系数为r_TN=0.662 2、r_DeN=0.873 9、r_TP=0.813 0、r_DP=0.407 7、r_DeP=0.878 1、r_COD=0.868 9、r_pH=0.517 3和r_SS=0.533 4,与溶解态氮、电导率和碱度之间相关不显著.     

太湖富营养化控制机理模拟

建立了一个将三维风生湖流模型,水质模型和富营养化模型耦合的数学模型,该模型不仅可以对太湖的风生湖流,总磷、总氮、COD等水质要素进行模拟,还可以模拟藻类在太湖中的生长和消亡情况以及其随风生湖流迁移的规律;在模型中,还考虑了水温、总氮、总磷和太阳辐射等环境生态因子对藻类生长率的影响,并且将模拟结果与1998年太湖的实测资料进行了对比,结果表明:该模型对风生湖流、总磷、总氮的模拟都是切合实际的,以叶绿素a浓度描述的藻类浓度的模拟值也能较好的拟合实测值。