下载文档原格式
MERIS遥感图像的太湖叶绿素浓度反演研究朱江山;王得玉【摘要】近年来,水体富营养化是太湖水污染面临的主要问题,而叶绿素浓度是水体富营养化的重要指标,及时、有效地对太湖水体的叶绿素浓度进行监测和评价对太湖环境保护是十分必要的.而遥感作为低成本、大面积获取水体表层水质信息的手段,有着常规监测不具备的优势.为此,利用MERIS数据和太湖同步水质监测数据,建立了叶绿素基线荧光高度遥感反演模型;将其应用到经过几何校正和大气校正等预处理后的MERIS数据,获得了太湖叶绿素浓度遥感反演分布图像,结合太湖的水文情况及水污染特征对叶绿素遥感反演图像作了分析.遥感图像分析结果表明,MERIS 数据客观地反映了太湖水体叶绿素浓度的空间分布规律,与实测的太湖叶绿素浓度空间分布情况基本吻合.由此可见,基线荧光高度模型对于反演太湖叶绿素浓度分布是可行的.%Recently,eutrophication is the main problem of Taihu Lake's water pollution,and chlorophyll-a concentration is an important index of eutrophication.It is quite necessary for the protection of the Taihu Lake's environment to evaluate and monitor efficiently the lake's chlorophyll-a concentration in time.The surface water quality of large area could be monitored using remote sensing technique with low cost,beyond the ability of regular survey technique.Based on MERIS data and synchronous water quality monitoring data in Taihu Lake,the fluorescence line height remote sensing model has been developed which reflects the relationship between chlorophyll-a concentration and fluorescence line height.Then the model has been applied to MERIS data which is pre-processed through geometric correction,atmospheric correction,etc.An image aboutchlorophyll-a concentration distribution of Taihu Lake has been bined with the feature of the hydrological conditions and water pollution in Taihu Lake,the image about chlorophyll-a remote sensing retrieval is analyzed.The results objectively show that the MERIS image reflects the spatial distribution pattern of chlorophyll-a concentration in Taihu Lake,corresponding to the measured chlorophyll-a concentration of space distribution.Therefore,it is feasible for the fluorescence line height model to retrieval the chlorophyll-a concentration in Taihu Lake.【期刊名称】《计算机技术与发展》【年(卷),期】2017(027)004【总页数】4页(P192-195)【关键词】MERIS;叶绿素;基线荧光高度;反演【作者】朱江山;王得玉【作者单位】南京邮电大学通信与信息工程学院,江苏南京 210003;南京邮电大学通信与信息工程学院,江苏南京 210003【正文语种】中文【中图分类】TP393随着太湖流域经济的快速发展，太湖的水体污染问题日趋恶化，主要表现在水体富营养化现象严重，严重的富营养化又导致蓝藻水华的大量爆发，影响了太湖水资源的利用。
基于MERIS遥感图像的太湖叶绿素浓度反演作者：王根深王得玉来源：《安徽农业科学》2017年第30期摘要以太湖为试验区，基于MERIS遥感图像数据以及同步实测的太湖水质参数数据，应用归一化叶绿素指数算法（NDCI），对太湖水体叶绿素a浓度进行反演，得到了太湖区域的水体叶绿素a反演结果，并对反演结果进行了验证和分析。
结果表明：归一化叶绿素指数反演算法能够精确地反演太湖区域的叶绿素a浓度值，模型的决定系数（R2）为0.881 2，反演精度优于传统经验统计模型，可为今后更精确地反演内陆水体的叶绿素a浓度提供参考依据。
关键词MERIS遥感图像；叶绿素a；归一化叶绿素指数反演算法；太湖中图分类号X87文献标识码A文章编号0517-6611（2017）30-0071-04AbstractA novel index，normalized difference chlorophyll index（NDCI） was introduced in this study to invert the chlorophyll a（Chl.a） concentration form MERIS remote sensing image and the data of water quality parameters of Taihu Lake，and the inversion results were verified and analyzed.The inversion results showed that normalized Difference chlorophyll Index could accurately reflect the chlorophyll a concentration in the Taihu Lake， the coefficient of decision was 0.881 2，which was better than traditional empirical model，and provided a reference for the more accurate inversion of chlorophyll a concentration in inland water.Key wordsMERIS remote sensing image；Chlorophylla；NDCI；Taihu Lake内陆水体，特别是位于经济发达、人口密集地区的湖泊和河口，一般受到人类活动影响较大，湖泊水污染和水体富营养程度日益加重。
基于HJ-1ACCD数据的湖泊叶绿素a浓度反演湖泊是重要的淡水资源和生态环境，叶绿素a是湖泊水体中重要的生物地球化学指标之一，对湖泊水质和生态环境拥有重要的指示作用。
监测湖泊叶绿素a浓度可以有效评估湖泊的营养状态和生态环境，为湖泊管理和保护提供重要的科学依据。
遥感技术已经成为湖泊水质监测的重要手段，可以在较大范围内快速获取湖泊的叶绿素a浓度分布信息。
本文旨在利用HJ-1A/B卫星CCD数据反演湖泊叶绿素a浓度，并分析其时空变化规律，为湖泊水质监测和管理提供科学依据。
一、HJ-1A/B卫星CCD数据HJ-1A/B是我国自主研制的一对环境监测卫星，搭载有CCD等多种传感器，能够获取高分辨率的遥感影像数据。
CCD传感器具有高空间分辨率和较高的动态范围，适用于湖泊水质参数反演。
本文选取HJ-1A/B卫星CCD数据作为研究数据源，利用其多光谱信息反演湖泊叶绿素a浓度。
二、叶绿素a浓度反演方法1. 反演模型本文采用经验模型和统计模型相结合的方法进行叶绿素a浓度反演。
首先利用地面采样数据和遥感影像数据建立经验模型，然后利用统计模型对经验模型进行优化，得到湖泊叶绿素a浓度的空间分布图。
2. 数据预处理对HJ-1A/B卫星CCD数据进行预处理，包括大气校正、辐射定标、噪声去除等步骤，以提高数据的质量和可用性。
3. 特征参数提取从HJ-1A/B卫星CCD数据中提取反演叶绿素a浓度所需的特征参数，包括叶绿素吸收峰位置、叶绿素荧光峰位置、水体颜色指数等。
4. 建立经验模型利用地面采样数据和遥感影像数据建立叶绿素a浓度与特征参数之间的经验关系模型，包括线性模型、非线性模型等。
5. 统计模型优化利用统计方法对经验模型进行优化，修正模型参数，提高模型的适用性和精度。
6. 反演叶绿素a浓度利用经过优化的模型对湖泊遥感影像数据进行反演，得到叶绿素a浓度的空间分布图。
三、叶绿素a浓度反演结果分析利用上述方法对某湖泊的HJ-1A/B卫星CCD数据进行处理和分析，得到湖泊叶绿素a浓度的空间分布图。
太湖北部湖区水体光学特性及悬浮物浓度遥感反演的开题报告一、研究背景太湖是中国五大淡水湖之一，也是中国第三大内陆湖泊，地处长江中游，毗邻上海、苏州、无锡等城市。
太湖湖区面积约为2.39×10^3km ²，北部湖区是太湖的重要组成部分，涵盖了苏州、常熟、昆山等地。
近年来，太湖北部湖区水质呈现下降趋势，出现了大量水华、湖泊富营养化等问题。
因此，对太湖北部湖区的水质监测和研究具有重要的现实意义和科学价值。
遥感技术因其广覆盖性、连续性、及时性等优势，已被广泛应用于水体光学特性和悬浮物浓度的遥感反演。
水体光学特性和悬浮物浓度遥感反演是通过对遥感数据进行处理和分析，获得水体的光学性质和悬浮物浓度信息，可以有效地监测水体的水质变化，提高水资源的高效利用。
二、研究内容和目的本研究拟对太湖北部湖区的水体光学特性和悬浮物浓度进行遥感反演，主要包括以下内容：1.获取卫星遥感数据，包括Landsat系列和Sentinel系列数据，以及地面监测数据，包括多光谱水下探测仪、水质监测仪等。
2.对遥感数据进行预处理，包括大气校正、几何校正、云去除等。
3.运用水体反射率模型和比例因子模型对水体光学特性进行反演。
4.运用经验模型和统计模型对悬浮物浓度进行反演，并与地面监测数据进行对比验证。
本研究旨在：1.研究太湖北部湖区水体光学特性和悬浮物浓度的空间分布和变化规律。
2.对太湖北部湖区水质进行评估和监测，提出改善措施和建议。
3.在遥感反演方法和水质监测技术方面，提供实践和经验，为其他湖泊水质监测研究提供参考。
三、研究方法1.获取遥感数据本研究将获取Landsat8 OLI和Sentinel-2 MSI系列数据，以及地面监测数据，包括多光谱水下探测仪、水质监测仪等。
其中，遥感数据的时间范围为2015年至2020年。
2.遥感数据预处理本研究将对遥感数据进行大气校正、几何校正、云去除等预处理，以提高数据质量和精度。
3.水体反射率模型反演根据遥感数据和地面监测数据，本研究将运用水体反射率模型进行反演，以获得水体的光学特性信息。
第35卷第4期2017年12月湖北民族学院学报（自然科学版）Journal o f Hubei University for Nationalities (Natural Science M t io n)V ol.35N o.4D ec.2017文章编号：1008-8423(2017)04-0383-04 DOI：10.13501/ki.42- 1569/n.2017.12.006基于HJ1B-CCD1的太湖叶绿素a含量反演戴芳筠，聂运菊#(东华理工大学测绘工程学院，南昌330013)摘要：波段比值法作为比较成熟的基于生物光学对叶绿素a含量反演的经验模型，目前较多运用于对二类水体富营养化叶绿素a含量反演.本文分别对坏境小卫星数据B3和B4波段作为建立模型的波段组合建立线性回归、指 数、对数、多项式、幂等五种回归模型.通过圮系数对比，发现多项式模型拟合效果最佳.经验证点对比分析,发现此模型对太湖湖区的叶绿素a含量能够进行较好的反演.关键词：太湖；叶绿素a;回归模型；环境小卫星中图分类号:P237 文献标志码:ARetrieval of Chlorophyll a Concentration Based onHJ1B-CCD1 in the Tai LakeD A I Fangyun,N IE Y unju*(School of Surveying and M apping Engineering,East China U niversity of Technology,Nanchcang 330013,China) Abstract ：The band ratio method is a more mature model based on bio optical model to construct the chlorophyll a concentration inversion m odel,which is a good method to retrieve the two types of eutrophicationa concentration.Therefore,this chooses band B4 and B3 from H J1B-CCD1to establish five regressionm odels,nam ely,linear regression,ind ex,logarithm ic,quadratic polynom ial and exponentiation.By comparison w ith R2coefficient,the quadratic polynom ical regression model is the best model.V erified by measured points,the quadratic polynom ial regression model can w ell retrieve the chlorophyll a concentration of Tai Lake.K e y words：Tai Lake；chlorophyll a；the regression m odel；HJ1B-C C D随着我国经济的快速发展，水环境恶化以及污染是我国面临的重要问题.我国很多重要的淡水湖、水库 和河段富营养化问题越来越严重.叶绿素a作为最重要的水质检测指标之一，其变量是反映水体富营养化的 重要指标[1_3].目前，我国对于水质的监测体系主要采取定时定点的地面监测为主而难以实现大规模实时连 续监测.遥感技术作为主要的探测技术之一，具有收集资料便捷、检测范围较大、信息量庞大等特点,能够在 空间和时间上对水体水质进行广泛监测.国内外许多学者对于二类水体中叶绿素a含量反演进行了大量研究[4_11]，包括叶绿素a的光谱特征、最佳波段组合，以及构建反演模型，都取得了重大进展.结合地面实测遥 感数据，构建一系列叶绿素a含量反演模型，例如单波段法、波段比值法[12]、三波段法等在二类水体中叶绿素a含量反演中取得了广泛运用.环境一号卫星是中国第一个专门用于环境与灾害监测预报的小卫星，其上 搭载超光谱成像仪，具有连续高光谱设置和往返周期较短的优点，能够反映出二类水体中的微小变化，从而 来提高反演精度，同时能够对水体进行大范围实时监测■1研究区概况太湖位于长江三角洲的南缘，是我国五大淡水湖之一，界于北纬30°55'40"~ 31 °32'58"和东经119°52'32" ~120°36'10"之间.近年来，由于太湖流域经济区快速发展和周边城市的工业化、城市化，产生大量废水、污 水,使太湖水体富营养化问题日趋严重.每年大范围爆发蓝藻水华，不仅使湖中鱼虾大面积死亡，破坏水体生 态平衡,同时对周边居民生活用水产生了严重影响，对经济和生态造成了难以计算的损失.因此，采用遥感技收稿日期=2017-05-19.基金项目：江西省数字国土重点实验项目（D L U201718);东华理工大学实验技术研究开发项目（D H SY-201608;D H SY-201610).作者简介:戴芳箱（1993 -),女，硕士生，主要从事摄影测量与遥感技术应用的研究，通信作者:聂运菊（1978-),女，博士,副教授，主要从事 GIS教学、理论和应用研究.384湖北民族学院学报（自然科学版)第35卷术对太湖叶绿素a 进行连续实时的监测具有重要意义.2研究内容根据环境小卫星C C D 影像数据特点和二类水体叶绿素a 反演技术要求，选用的技术路线为:首先对环境 小卫星C C D 数据进行预处理后利用波段比值法对实测 数据建立多个拟合模型，将合适的模型运用到整个太 湖水面区，从而反演出整个太湖区叶绿素a 的含量，并 对结果进行比较，具体流程图如图1所示.3数据来源与处理3.1遥感数据获取与预处理图1步骤流程图Fig.l The flow chart of steps选取环境小卫星CCD -1B 的图像作为数据源，选取6-11月水体叶绿素a 含量较高、当天天气较好的遥 感影像(如图2所示），经精校正太湖T M 影像(如图3所示），并且获取采样点实测数据(如图4所示）.图2小卫星原始影像Fig.2 The original image of HJ1B-GCD图3精校正T M 影,Fig. 3 The accurated TM image 图4采样点分布图Fig.4 The distribution of sampling points3.2辐射定标辐射定标是将传感器记载的电压或数字量化值转换为绝对辐射亮度值(辐射率）的过程，或者转换为与 地表(表观)反射率、表面(表观)温度等物理量有关的相对值的处理过程[13]，从而保证精确反演地物特征.本 研究采用扩展工具对小卫星数据进行定标，定标后文件转换为B IL 格式文件再进行大气校正.3.3几何校正遥感影像在成像过程中受到飞行轨道高度、地形起伏等各种因素影响，从而使得遥感影像产生了一定程 度的几何形变.为了使得影像具有精确的地理信息需要去除其在成像过程中产生的几何形变，而进行几何校 正.本研究采用已经校正过的T M 数据作为基准图像，在E N V I 软件中采用二阶多项式法对研究区影像进行 校正.校正后误差在1像素之内.3.4大气校正大气辐射在传输过程中由于受到各种大气因素的综合影响，使得太阳辐射到达地球表层后衰减，从而使 得地面反射的太阳辐射与真实辐射存在误差，导致影像光谱信息失真，十二影像不能反映地物真实信息.一 般来说，大气校正也是反演地物真实反射率的过程.本文采用的是F LA A S H 大气校正法,该模型是基于M O D TR AN 模型构建的，是目前精度较髙的一种模 型.当遥感影像有合适波段的时候，F LA A S H 还能够对气溶胶、水气等参数进行反演[14].根据影像中自带参数 来设置F LA A S H 大气校正参数，其中传感器高度为650 km ，地面高程为0.05 km ,影像空间分辨率为30 m ，其 佘参数设置为默认值，光谱响应曲线响相应选择，其余设置为默认.4叶绿素a 反演模型建立目前,相对于成熟的叶绿素a 反演方法有经验法、半经验法及分析模型.通过多种波段组合对比,选取两个相关性较大波段反射率的波段组合，将其作为比值法的特征参数进行叶绿素a 反演构建模型.第4期戴芳绮等:基于HJ 1B -CCD 1的太湖叶绿素a 含量反演3854.1建立回归模型选择近红外波段作为提取水体叶绿素a 含量的信息源，分别对光谱指数相关性较好的波段组合建立线 性回归、指数、对数、多项式、幂等五种回归模型，如图5所示.比较五种拟合模型的系数大小，得知多项式，系数最大为0.7885,所以多项式的拟合效果最佳.所以选用太湖叶绿素a 含量的反演模型为：Cc h l a = 0• 011 6/+0• 021 %+0.024 5，/?2 = 0• 788 5式中，。
基于HJ-1ACCD数据的湖泊叶绿素a浓度反演湖泊叶绿素a浓度是反映湖泊水体营养状态的一项关键指标，对于环境保护和生态研究具有重要意义。
遥感技术因其具有无损、快速、连续观测、大范围覆盖等优点，被广泛应用于湖泊叶绿素a浓度反演研究中。
本文将介绍基于我国环境卫星HJ-1A卫星CCD数据的湖泊叶绿素a浓度反演方法。
一、HJ-1A卫星CCD数据特点HJ-1A卫星CCD传感器是我国自主研发的一种光学成像科学仪器，具有多谱段、高空间分辨率、高重复率等特点，可以提供较高质量的地表覆盖信息。
其中，蓝光波段(charl)和绿光波段(char2)的空间分辨率为30m×30m，重复率为2-4天，是进行湖泊水质反演的比较理想数据。
二、湖泊叶绿素a浓度反演方法1. 反演模型选择湖泊叶绿素a浓度反演方法种类繁多，目前应用较广的包括SGLI、FLH、CYAN等模型。
研究表明，在HJ-1A卫星CCD数据下，FLH模型和CYAN模型的拟合效果较好，并具有可操作性和适应性。
因此，本文将以FLH模型作为示例进行介绍。
2. 数据预处理为了保证数据质量，进行湖泊叶绿素a浓度反演前，需要进行数据预处理。
首先，对原始CCD数据进行辐射校正处理，将其转换为反射率数据；其次，根据海陆分界线和悬浮物浓度进行水体分类；最后，剔除亮斑和阴影区域。
FLH模型是一种基于浮游植物荧光辐射模型的湖泊叶绿素a浓度反演方法。
该模型将水体中的荧光辐射量分解为某一波长下的背景辐射和荧光辐射两部分，其中荧光辐射与浮游植物叶绿素a浓度成正比，可以反演得到湖泊叶绿素a浓度信息。
FLH模型计算公式如下：(1) į(π)L=Kd(π)L[į(π)TOA−ρW(π)](2) F(πm)=Fb(πm)+Fchla(πm)其中，į(π)L为接收器接收的所测辐照度，Kd(π)L为水体吸收系数，L为波长，π为波段，į(π)TOA为卫星接收器接收到的顶面辐射度，ρW(π)为水体反射率，F(πm)为波长为πm的光学深度，Fb(πm)为背景值，Fchla(πm)为叶绿素a对光学深度的贡献。
基于HJ-1ACCD数据的湖泊叶绿素a浓度反演湖泊是地球上重要的自然水体，叶绿素a是湖泊中浮游植物的主要色素，它不仅影响水体的颜色和透明度，还对湖泊水生态环境和生态系统的健康状况有着重要的影响。
因此，准确地反演湖泊叶绿素a浓度对于湖泊水质管理、生态环境保护和资源科学研究具有重要意义。
利用遥感技术从卫星获取的遥感数据可以有效地反演湖泊叶绿素a浓度。
我国自主研制的环境卫星HJ-1A/B是一对小型遥感卫星，其中HJ-1A/B卫星上搭载的环境监测传感器（CCD）能够获取高空间分辨率的多光谱遥感数据，广泛应用于陆地和水体等环境领域。
本文将介绍利用HJ-1A/B卫星CCD数据实现湖泊叶绿素a浓度反演的方法和一些常见的问题。
1. 数据获取和处理本文以鄱阳湖为例，利用HJ-1A/B CCD数据进行湖泊叶绿素a浓度反演。
首先，需要获取CCD 反射率数据，并进行预处理，去除大气、表面反射率等非水体效应，得到反演所需的水体反射率数据。
本文采用的是2009年9月16日的HJ-1A CCD数据，波段范围为520~900 nm，空间分辨率为30 m。
2. 预处理湖泊叶绿素a浓度反演需要先进行一些预处理，以确保反演精度和可靠性。
具体包括以下几个方面：（1）数据质量和去云处理CCD数据的质量直接影响到反演精度和可靠性，需要对数据进行质量评估，并对有云和阴影部分进行剔除和插值处理。
（2）水体反射率计算通过分别提取不同波段的反射率值，计算出不同光谱波段下的水体反射率。
需要对CCD数据进行大气校正，去除地表反射率，提取水体反射率，并进行合并处理，得到不同波段下的水体反射率数据。
（3）计算蓝绿波段比值利用HJ-1A CCD波段520~590 nm之间的数据计算蓝绿波段比值（Blue-Green Ratio, BGR），BGR=(R532-R491)/(R532+R491)。
蓝绿波段比值可有效地估算水中叶绿素a的浓度，对湖泊叶绿素a浓度反演具有重要的参考作用。
太湖水体光谱响应机理与水质参数反演研究的开题报告一、研究背景及意义近年来，随着太湖流域人口密度的增加以及经济快速发展，太湖水体环境问题日益突出，如蓝藻水华、营养盐过多、重金属超标等现象频频发生，给太湖生态环境及周边居民生活带来了严重威胁。
因此，对太湖水体水质进行动态监测和评价，深入研究太湖水体光学特性及其响应机理，建立太湖水质参数反演模型，对准确评价太湖水体水质状况、分析其水环境的变化趋势及影响因素具有积极的意义和现实的应用前景。
二、研究内容和技术路线本课题旨在研究太湖水体的光学特性及其响应机理，建立太湖水质参数反演模型，具体研究内容如下：1.对太湖水体的吸收特性、漫反射特性、散射特性、透明度等光学特性进行分析研究，并结合现有的遥感技术，利用MODIS卫星数据进行监测。
2.通过对太湖水体的水质参数进行采样分析，建立太湖水质参数反演模型，利用反演模型对太湖水体水质进行实时监测。
在此基础上，建立太湖水体水质状况评价指标体系。
3.结合太湖流域的环境特征，分析影响太湖水体水质状况的因素，为太湖水体的健康管理和保护提供科学依据。
技术路线：1.采集MODIS水色数据进行预处理，对太湖水体的光谱信息进行提取和分析，以研究太湖水体的光学特性。
2.根据各项水质参数（如叶绿素、总氮、总磷等），设定反演模型，利用归一化反射率进行水质参数反演。
3.通过建立多元统计分析模型，分析太湖水体的水质状况与环境因素之间的关系，建立评价指标体系。
三、预期研究结果本研究旨在通过分析太湖水体的光学特性及其响应机理，建立太湖水质参数反演模型，实现太湖水质的精准监测和评价。
研究结果将对太湖水环境保护、太湖健康管理提供一定的理论基础和技术支持，同时可为其他湖泊的水体质量评价提供参考，具有一定的推广应用价值。
应用M ODIS 监测太湖水体叶绿素a浓度季节变化研究王世新,焦云清,周艺,祝令亚,阎福礼(中国科学院遥感应用研究所,北京10010)摘要:以太湖作为实验区,利用波段比值、差值和组合算法讨论了非成像及成像高光谱数据和叶绿素浓度相关性差异和敏感波段分布,在此基础上将不同时段的M ODIS 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,通过回归拟合建立并验证了不同季节的叶绿素a 浓度遥感监测模型,并应用模型计算出太湖水体叶绿素a 浓度的分布情况,对太湖水质变化进行了评价。
研究结果表明,M ODIS 影像在太湖的水质动态变化监测中是可用的。
关键词:M ODIS 影像;叶绿素a;季节变化;模型;太湖中图分类号:T P79 文献标识码:A 文章编号:1000-3177(2008)95-0047-07收稿日期:2007-04-25修订日期:2007-05-23基金项目:国家自然科学基金(40671141)、国家863项目(2006AA 06Z419)共同资助作者简介:王世新(1965~),男,山东人,研究员,主要进行环境遥感和灾害遥感监测研究。
太湖位于长江三角洲地区。
近年来太湖的富营养化问题,已经严重影响了太湖的环境质量。
作为富营养化的关键指标,用来表征藻类爆发程度的叶绿素a 浓度是量化水质状况的重要参数之一。
因此,快速、准确、高频率地监测水环境质量,预警藻类爆发,迫切需要采用各种高新技术,尤其是遥感技术来检测和监测水体叶绿素浓度的时空变化。
对于叶绿素浓度的定量遥感反演,国内外众多学者开展了大量工作,并建立了不同的光学遥感模型,如Thiem ann S.等利用实测光谱和IRS -1c 卫星数据对M ecklenbur g 湖的叶绿素浓度进行了探测[1];P.A.Brivio 等应用TM 影像对Garda 湖的叶绿素浓度变化进行了评价[2];疏小舟等应用OM IS -II 航空成像光谱对太湖叶绿素a 的浓度分布进行了估算[3]。
基于带模型的叶绿素a浓度反演精度评估陈军;陆凯;王保军【摘要】为了评估遥感反演叶绿素a浓度的精度,以2004年8月19日太湖38个水质样本数据和同步Hyperion卫星遥感影像数据为基础,借鉴四波段半分析算法,结合空间数据不确定性原理,构建了基于四波段半分析算法的“带模型”.通过研究与探讨可知,当叶绿素a浓度为10～20 μg/L和50～100 μg/L时,叶绿素a浓度的反演误差较小,大约为±20％；当叶绿素a浓度在20～50 μg/L时,叶绿素a浓度的反演误差较大,大约为±40％,局部区段的误差高达±60％左右.与传统的误差表示方法相比较,“带模型”能更详细且能准确地给出太湖水体叶绿素a浓度反演结果的误差信息.%With the spectral experiment and the simultaneous observation results of Hyperion satellite on 19 August, 2004 as the basic dataset, the authors used the uncertainty principle of spatial data to develop a " bands model" for chlorophyll-a concentration retrieval algorithm of the subsection mapping retrieval model. It is thus found that in the ranges of 10 -20 μg/L and 50 - 100 μg/L, the retrieval error of chlorophy ll-a concentration is relatively low, (approximately ±20% ) , whereas in the range of 20 -50 μg/L, the retrieval error of chlorophyll-a concentration is relatively high, ( approximately ± 40% ). A comparison with the traditional methods for error describing shows that the "bands model" could include more detailed and accurate information of data quality for remote sensing products.【期刊名称】《国土资源遥感》【年(卷),期】2011(000)004【总页数】4页(P83-86)【关键词】遥感;带模型;叶绿素a;太湖【作者】陈军;陆凯;王保军【作者单位】国土资源部海洋油气资源与环境地质重点实验室,青岛266071;青岛海洋地质研究所,青岛266071;国土资源部海洋油气资源与环境地质重点实验室,青岛266071;青岛海洋地质研究所,青岛266071;国土资源部海洋油气资源与环境地质重点实验室,青岛266071;青岛海洋地质研究所,青岛266071【正文语种】中文【中图分类】TP79;X832水色遥感产品(主要指叶绿素a浓度、悬浮泥沙浓度和可溶有机物质浓度遥感观测信息)的精度评估及表达是水色遥感研究的难点和热点之一。
基于HJ-1ACCD数据的湖泊叶绿素a浓度反演湖泊叶绿素a浓度是湖泊水体中叶绿素a的含量，是评价湖泊水质和水环境生态状态的重要指标之一。
精确地测量湖泊叶绿素a浓度对于湖泊水质监测和生态环境保护具有重要意义。
传统的测量方法需要大量的时间和人力资源，而遥感技术能够提供高效、快速、经济的叶绿素a浓度反演方法。
HJ-1ACCD是中国自主研发的一颗小卫星，具有高灵敏度和较高空间分辨率的遥感能力。
它搭载的颜色旋转云雾差异器（ACCD）传感器，可获取水域中的多光谱遥感数据。
利用HJ-1ACCD数据进行湖泊叶绿素a浓度反演的关键是建立反演模型。
湖泊叶绿素a浓度与水体的光学特性有关，主要通过测量水体的反射光谱来推测叶绿素a的浓度。
在利用HJ-1ACCD数据进行反演时，首先需要进行大气矫正，去除大气影响。
然后根据湖泊水体的光谱特性建立反演模型，通常采用光谱比值模型、光谱指数模型或统计模型。
光谱比值模型是通过计算不同波段的反射率之间的比值来估算叶绿素a浓度。
常用的光谱比值包括蓝绿波段比值（B/G）、蓝红波段比值（B/R）等。
这种模型简单易用，但对光谱的选择较为敏感，并且对大尺度湖泊的反演效果较差。
光谱指数模型是通过计算不同波段的反射率之间的差异来估算叶绿素a浓度。
常用的光谱指数有NDVI（Normalized Difference Vegetation Index）、RVI（Ratio Vegetation Index）等。
这种模型相对于光谱比值模型来说更加稳定，但需要根据不同湖泊的特性选择合适的光谱指数。
统计模型是利用多变量统计方法建立叶绿素a浓度与多个光谱波段之间的关系。
常用的统计模型包括多元线性回归模型、支持向量回归模型等。
这种模型具有较高的准确性和稳定性，但需要较多的样本数据进行建模和验证。
除了反演模型的建立，还需要进行准确的地面观测和采样，获取湖泊叶绿素a浓度的实际数据，用于反演模型的校正和验证。
在利用HJ-1ACCD数据进行湖泊叶绿素a浓度反演时，需要根据特定的湖泊特征选择适合的反演模型，并进行准确的大气矫正和地面观测，以提高反演精度和可靠性。
水面实测遥感光谱数据的叶绿素a反演模型构建——以太湖为例李月娥;宋瑜;宋晓东;李昌平;郭照冰【期刊名称】《四川环境》【年(卷),期】2009(028)003【摘要】叶绿素a遥感反演的关键是建立遥感数据和叶绿素含量的定量关系.本文根据2007年11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分析和建模.研究结果表明:687nm附近反射峰位置对叶绿素浓度有很好的指示作用,在太湖水体叶绿素浓度的估测模型中,反射峰位置的指数模型要优于线性模型;叶绿素a浓度与684nm 和633nm附近的一阶微分有很好的相关性,利用R'684和R'633所建叶绿素a浓度反演模型的估算精度R2分别达到0.89和0.91.【总页数】5页(P19-22,40)【作者】李月娥;宋瑜;宋晓东;李昌平;郭照冰【作者单位】苏州市环境监测中心站,江苏,苏州,215004;中国科学院城市环境研究所,厦门,361021;中国科学院城市环境研究所,厦门,361021;苏州市环境监测中心站,江苏,苏州,215004;南京信息工程大学环境科学与工程学院,南京,210044【正文语种】中文【中图分类】X524【相关文献】1.基于季节分异的太湖叶绿素浓度反演模型研究 [J], 乐成峰;李云梅;孙德勇;王海君2.基于水面实测光谱的太湖蓝藻卫星遥感研究 [J], 韩秀珍;吴朝阳;郑伟;孙凌3.太湖水体叶绿素浓度反演模型适宜性分析 [J], 王珊珊;李云梅;王永波;王帅;杜成功4.基于高光谱数据的水体叶绿素a指数反演模型的建立 [J], 王金梁;秦其明;李军;林丛;徐若风;高中灵5.基于实测值的Landsat 8水面温度反演算法对比——以太湖为例 [J], 陈争;王伟;张圳;王怡因版权原因，仅展示原文概要，查看原文内容请购买。
结合LandsatETM与实测光谱估测太湖叶绿素及悬浮物含量
结合Landsat ETM与实测光谱估测太湖叶绿素及悬浮物含量
实地测试太湖水体的反射光谱,实验室分析水样,运用相关分析法探求叶绿素、悬浮物的光谱特征波段,估测叶绿素和悬浮物含量;对比Landsat ETM波段,运用不同的函数曲线对相应的波段组合进行回归拟合,建立相应的估测模型,选取精度最好的两个分别对太湖的叶绿素和悬浮物含量进行估测.结果表明:(1)对多光谱遥感而言,Landsat TM/ETM 是定量获取叶绿素和悬浮物的'较好的数据源,但不是最适合的数据源;(2)通过ETM3与叶绿素建立一定的函数关系来估测叶绿素含量具有较高的精度,其中利用算术组合ETM3/ETM1估测叶绿素的精度最高;(3)ETM4与悬浮物具有较高的相关度,其中利用算术组合ETM4/ETM1估测悬浮物含量的精度最高;(4)Landsat ETM卫星影像中,不同尺寸的像元窗口影响水质参数的估测精度;对叶绿素估测而言,7 ×7或者5 ×5窗口比较适合,对悬浮物估测而言,一般不超过3×3.
作者：马荣华戴锦芳 MA Ronghua DAI Jingfang 作者单位：中国科学院南京地理与湖泊研究所,南京,210008 刊名：湖泊科学 ISTIC PKU 英文刊名： JOURNAL OF LAKE SCIENCES 年，卷(期)：2005 17(2) 分类号： P3 关键词：叶绿素悬浮物光谱遥感太湖。
太湖水体叶绿素浓度反演模型适宜性分析王珊珊;李云梅;王永波;王帅;杜成功【摘要】In order to determine the most suitable retrieval model for estimating chlorophyll concentration in Lake Taihu and provide a reference for the application of the satellite data, the difference model, the ratio model, the three-band model and APPEL model were built to estimate chlorophyll concentration based on the data of MODIS , MERIS, GOCI and HJ-1 CCD sensor.The dataset in-cluded the measured water quality parameters and the synchronous spectra data in November 2007, April 2009 and August 2011. The results of the analysis showed that the decision coefficient of the APPEL model was between 0.7308 and 0.8107 for the differ-ent satellite data, the relative error was between 15% and 24%, and the root mean square error was between 21% and 32%;The decision coefficient of the three-band model was between 0.6014 and 0.7610, the relative error was between 28% and 36%, and the root mean square error was between 39% and 46%; The decision coefficient of different models was between 0.4954 and 0.7244, the relative error was between 39% and 53%, and the root mean square error was between 51% and 72%;The decision coefficient of the ratio model was between 0.4918 and 0.7098, the relative error was between 41% and 55%, and the root mean square error was between 56% and 75%.To sum up, the APPEL model showed a strong stability and was suitable for the chloro-phyll concentration retrieval of Lake Taihu for different sensor data.In addition, different band widths andband positions had dif-ferent influences on the retrieval model for estimating chlorophyll concentration .When the band position was close to the character-istic wavelength of chlorophyll, narrow band width was beneficial for the accuracy of the model;while when the band position was far away from the position of the characteristic wavelength, the band width should be increased reasonably.%为确定适合太湖水体叶绿素的反演算法，为同类卫星数据的建模和应用提供参考，本文根据太湖2007年11月、2009年4月和2011年8月实测水质参数以及同步光谱数据，结合水色遥感传感器MODIS、MERIS、GOCI及我国自主发射的HJ-1号卫星CCD传感器波段参数，基于差值模型、比值模型、三波段模型及APPEL模型，分别建立太湖水体叶绿素浓度反演模型，并分析模型的适宜性．结果显示，基于不同传感器数据APPEL模型的决定系数为0．7308～0．8107，模型相对误差为15％～24％，均方根误差为21％～32％；三波段模型基于不同传感器数据拟合的决定系数为0．6014～0．7610，相对误差为28％～36％，相对均方根误差为39％～46％；差值模型决定系数为0．4954～0．7244，相对误差为39％～53％，相对均方根误差为51％～72％；比值模型决定系数为0．4918～0．7098，相对误差为41％～55％，相对均方根误差为56％～75％．相比较而言，APPEL模型的稳定性较强，适合于不同传感器数据的太湖水体叶绿素浓度的反演．此外，相应不同传感器波段位置、波段宽度对模型反演的精度和稳定性的影响也不同，当波段位置接近叶绿素特征波长时，较窄的波宽有利于模型精度的提高，波段位置和叶绿素浓度特征波长相差较大时，合理增加波谱范围有利于叶绿素特征信息的获取．【期刊名称】《湖泊科学》【年(卷),期】2015(000)001【总页数】13页(P150-162)【关键词】太湖;叶绿素浓度;反演模型;遥感【作者】王珊珊;李云梅;王永波;王帅;杜成功【作者单位】江苏省地理信息资源开发与利用协同创新中心，南京210023;江苏省地理信息资源开发与利用协同创新中心，南京210023;江苏省地理信息资源开发与利用协同创新中心，南京210023;江苏省地理信息资源开发与利用协同创新中心，南京210023;江苏省地理信息资源开发与利用协同创新中心，南京210023【正文语种】中文水体中叶绿素a含量的高低直接影响水体的光学特性，也是表征水体富营养化程度的主要参数，所以叶绿素a浓度已经成为水体水质评价的重要指标.叶绿素浓度的反演方法主要有经验方法、半经验/半分析方法和分析方法，对于叶绿素浓度反演方法，目前国内外已有众多学者对其进行了深入的研究.李素菊等[1]根据地面实测高光谱数据和同步水质采样分析，分别利用反射率比值法和一阶微分法建立了叶绿素浓度的遥感定量模型，结果表明反射率比值法及一阶微分法与叶绿素a浓度均有较好的相关性，且反射率比值法估算叶绿素a浓度效果较好.旷达等[2]综合环境一号小卫星的CCD数据和同步地面水质监测数据，发现近红外波段与红波段比值的模型用于太湖地区叶绿素a浓度反演的精度良好.乐成峰等[3]基于季节分异对太湖叶绿素浓度反演模型进行研究，结果表明春季和秋季选用波段比值算法精度较高，夏季选用微分算法最好.Kahru等[4]结合MODIS真彩色影像，利用红波段、近红外波段叶绿素反射特征的差异建立红、近红外波段反射率差值模型，成功检测了秘鲁帕拉卡斯湾赤潮的发生.Gitelson等[5]首次提出用于估算陆地植被叶绿素含量的三波段式半分析模型，Zimba、Dall’Olmo等[6-7]将该方法应用于水体叶绿素a浓度反演，提高了反演精度.周冠华等[8]利用太湖实测的高光谱遥感数据建立三波段模型并进行波段优化，得到较高的反演精度.杨煜等[9]通过地面实测数据，建立太湖叶绿素a浓度反演模型，对比各模型反演效果，认为三波段模型反演精度最高.徐京萍等[10]利用2004年5-9月的吉林省新庙泡实测高光谱数据和实验室分析数据，建立了基于三波段的叶绿素a浓度反演模型，并优化组合了3个特征波长，结果表明用该方法建立的模型反演精度较高，适合于内陆水体叶绿素a含量的定量提取.2012年El-Alem等[11]提出了一种新的叶绿素浓度反演模型APPEL模型(APProach by ELimination)，结合南魁北克4个湖泊的9年实测数据和同步MODIS影像数据对叶绿素浓度进行反演，决定系数达到0.95.差值模型、比值模型以及三波段模型已成功应用于内陆水体的叶绿素浓度反演研究并取得较好的效果，成为内陆水体叶绿素浓度反演最常用的模型.APPEL模型是以MODIS传感器波段数据为参数，以叶绿素在红波段强吸收、近红外波段高反射的光谱特征为原理，以不同波段组合来去除悬浮物、CDOM和后向散射的影响，最终构建而成的叶绿素浓度反演模型.它是一种新的半分析模型，目前并未用于内陆水体的叶绿素浓度反演研究，所以其精度与稳定性如何，适不适合内陆水质参数的反演，这些问题还需要进一步验证.在叶绿素浓度遥感估算方面，各国已相继发射了多种水色遥感传感器，这些卫星无疑为叶绿素浓度遥感估算提供了良好的数据源.例如美国海洋水色卫星(SeaStar)携带的海洋宽视场扫描仪SeaWiFS、搭载在美国Aqua和Terra卫星上的中分辨率光谱成像仪(MODIS)、搭载于Envisat-1卫星平台上的中等分辨率成像频谱仪(MERIS)、日本ADEOS-2卫星平台上的全球成像仪(GLI)、印度遥感卫星IRS平台上的海洋水色监测仪(OCM)、韩国发射的静止海洋观测卫星成像仪(GOCI)等.其中，MODIS于1999年12月18日发射，拥有9个为水色遥感专门设计的通道，其最大空间分辨率为250m，一天可过境4次，对各种突发性、快速变化的自然灾害有更强的实时监测能力；MERIS传感器于2002年3月发射，在可见光/近红外区域(309～1040nm)有15个水色波段，可见光波段平均带宽为10nm，中心波段位置更精细，其空间分辨率为300m，重返周期为2～3d，适用于二类水体各组分的反演；GOCI为世界首次发射的静止海洋观测卫星成像仪，发射时间为2011年4月，其具有可见光到近红外8个波段，空间分辨率为500m，其最突出的特点是从8：00-15：00提供每小时的遥感影像，由于GOCI影像较高的时间分辨率和光谱分辨率，并且对于东北亚地区相对静止，其影像数据可有效用于我国东部湖泊富营养化情况的实时监测.但是，目前的水色遥感传感器主要是为海洋遥感服务的，在内陆水体中是否适用，其稳定性如何还有待验证.此外，我国于2008年发射了环境一号卫星，该卫星由两颗光学小卫星(HJ-1A、HJ-1B)组成双星星座，时间分辨率为2d，虽然其传感器波段不是专门针对水体设置，但是，其较高的时间分辨率和30m的空间分辨率，使得该数据在内陆水环境的遥感监测中具有突出的优势.结合以上两点，在内陆水体叶绿素浓度反演过程中，反演模型的选择和卫星数据的选择是非常重要的，二者直接影响水体叶绿素浓度的反演结果，因此基于卫星数据的叶绿素浓度反演模型适宜性分析具有十分重要的研究意义.本文基于太湖2007年11月、2009年4月和2011年8月实测数据，选择差值模型、比值模型、三波段模型以及APPEL模型，针对HJ-CCD、MODIS、MERIS 以及GOCI传感器波段设置，分别构建太湖水体叶绿素a浓度的估算模型，并分析模型的适宜性，以期确定最适合太湖水体叶绿素的反演算法，为同类卫星数据的建模和应用提供参考.1.1 实验区概况太湖位于江苏省南部，长江三角洲中部，是中国第三大淡水湖，湖面面积、平均海拔和平均水深分别为2338.1km2、3.33m和1.9m.2007年11月、2009年4月和2011年8月分别对太湖水体进行样点采集，并去除异常数据，光谱数据的采集和水体采样同步进行.1.2 数据获取与预处理1.2.1 水体光谱数据的获取水体光谱数据采用美国分析光谱仪器公司(Analytical Spectral Devices)制造的ASD FieldSpec Pro便携式光谱辐射计测量，该仪器波段范围为350～1050nm，光谱分辨率为2nm.选择水面平静，天空晴朗时测量.具体按照唐军武等[12]提出的关于内陆二类水体水面以上光谱测量的方法进行测量，并最终计算出水面遥感反射率参数.地面实验于2007年11月、2009年4月和2011年8月在太湖进行，共获得有效数据88个.1.2.2 叶绿素浓度的测量叶绿素浓度采用陈宇炜等[13]提出的浮游植物叶绿素a测定的“热乙醇法”进行测量.首先用GF/F滤膜过滤200ml水样，然后加入热乙醇水浴2min后避光萃取4～6h，萃取结束后，用25mm玻璃纤维滤膜过滤萃取液并定容至10ml，将10ml叶绿素样品萃取液在UV-2550紫外分光光度计上用90%乙醇作为参比液进行比色，先后在665nm和750nm波长处测消光率E665和E750，然后在样品比色皿中加1滴1mol/L的盐酸进行酸化，加盖摇匀，1min后重新在665nm和750nm波长处测消光率A665和A750.叶绿素a浓度计算公式为：式中，Chl.a为叶绿素a浓度(mg/m3)，V乙醇为萃取液定容的体积(ml)，V样品为过滤水样的体积(m3).1.3 叶绿素浓度反演模型构建首先，利用水面实测光谱以波段均值法模拟HJ-CCD、MODIS、MERIS以及GOCI传感器波段光谱，HJ-CCD波段1、2、3、4的波宽分别为430～520、520～600、630～690、760～900nm;MODIS波段1、2、3、4的波宽分别为620～670、841～876、459～479、545～565nm;MERIS波段2、5、7、9、12的波宽分别为437.5～447.5、555～565、660～670、703.75～713.75、771.25～786.25nm;GOCI波段2、4、6、7、8的波宽分别为433～453、545～565、675～685、735～755、845～885nm.其次，针对各传感器波段设置，分别建立差值模型、比值模型、三波段模型和APPEL模型等叶绿素浓度反演模型.建模数据为88个太湖实测数据中随机选择的68个样点数据.1.3.1 差值模型差值模型是根据红波段和近红外波段叶绿素的光谱特性差异建立的半分析模型[4].该模型将红、近红外波段的差值作为相关变量，进行叶绿素浓度量化反演.针对HJ-CCD、MODIS、MERIS以及GOCI传感器波段设置，太湖叶绿素浓度反演对应的量化波段如下：式中,R(bi)为第i波段的遥感反射率，[Chl.a]为叶绿素a浓度.1.3.2 比值模型比值模型根据叶绿素在近红外波段高反射与红波段强吸收的特性，选用两波段比值作为光谱指数进行叶绿素浓度反演，对于不同传感器选取的波段如下：1.3.3 三波段模型三波段模型使用1个红光波段、2个近红外波段的组合来构建叶绿素反演模型[5]，定义如下：选择660～690nm作为叶绿素a的敏感波段[14]，λ2选取对叶绿素吸收敏感度低并且接近λ1的近红外波段710～730nm来减小悬浮物和CDOM的影响[14-15]，λ3选取730nm以后的近红外波段，水体各组分的吸收系数很小，水体后向散射较大，因此此波段用来去除后向散射的影响[16-17].对于MERIS和GOCI传感器参数，分别选用b7、b9、b12波段和b6、b7、b8波段来建立三波段模型：由于HJ-CCD和MODIS传感器波段设置不能完全包含理想的三波段范围，因此，无法直接采用上述方法建立三波段模型.El-Alem等[11]提出，对于MODIS数据，可采用波段1(红光波段)代替λ1叶绿素a吸收的敏感波段，选用波段1、3、4的组合代替λ2去除悬浮物和CDOM的影响[18-19]，同时选用波段2近红外波段代替λ3去除后向散射的影响.由于HJ-CCD波段设置类似于MODIS的1～4波段，因此，本研究采用El-Alem等提出的方法设置MODIS和HJ-CCD数据的三波段模型参数：式中，对于HJ-CCD：Δb1=b1-b3，Δb2=b2-b3，R-1(b3)对叶绿素a的吸收敏感，b1用来最小化悬浮物的影响用来最小化CDOM的影响，b4最小化后向散射的影响.同理对于MODIS：Δb3=b3-b1，Δb4=b4-b1.1.3.4 APPEL模型APPEL模型是由El-Alem等[11]针对MODIS传感器数据提出，由于近红外波段叶绿素光谱特征表现出高反射，而水体在此波段强吸收，因此可以用来获取最大的叶绿素信息量.在此波段仍有悬浮物、CDOM和后向散射的影响，因此，选用CDOM反射最强的蓝波段来去除CDOM的影响[20]，同时选取近红外波段作为叶绿素的敏感波段来去除CDOM敏感波段中的叶绿素信息，近红外波段由于水体强吸收也用来去除蓝波段后向散射的影响.红波段可以作为悬浮物敏感波段的研究，来最小化悬浮物的影响，并用近红外波段去除红波段叶绿素的信息，在红、近红外波段，水体表现为强吸收特征，因此后向散射可以忽略.综上，最终得到的APPEL光谱指数为：APPEL模型用于不同传感器的叶绿素浓度反演光谱指数如下所示：2.1 模型拟合效果分析2.1.1 基于HJ-CCD波段数据模型拟合结果分析利用实测数据模拟HJ-CCD传感器波段数据，构建叶绿素反演模型的拟合结果,可以看出4个模型的光谱指数与叶绿素浓度均呈现较好的线性关系，其中APPEL模型拟合效果最好，决定系数为0.7434，其次为三波段模型，决定系数为0.6245，两波段差值模型和比值模型的拟合结果决定系数分别为0.5403和0.5148，模型拟合精度由高到低分别为APPEL模型、三波段模型、差值模型、比值模型(图1).2.1.2 基于MODIS波段数据模型拟合结果分析利用实测数据模拟MODIS传感器波段数据，构建叶绿素反演模型的拟合结果,可以看出APPEL模型拟合结果最好，决定系数为0.7308，三波段模型决定系数为0.6014，差值模型和比值模型拟合结果决定系数均在0.5以下，分别为0.4954和0.4918，模型拟合精度由高到低分别为APPEL模型、三波段模型、差值模型、比值模型(图2).2.1.3 基于MERIS波段数据模型拟合结果分析利用实测数据模拟MERIS传感器波段数据，构建叶绿素反演模型的拟合结果,可以看出三波段模型和APPEL模型拟合的光谱指数与叶绿素浓度呈现出很好的线性相关，决定系数分别为0.7610和0.8107，差值模型和比值模型拟合的光谱指数与叶绿素浓度也有较好的线性相关，并且模型决定系数都在0.7以上，模型拟合精度由高到低分别为APPEL模型、三波段模型、差值模型、比值模型(图3).2.1.4 基于GOCI波段数据模型拟合结果分析利用实测数据模拟GOCI传感器波段数据，构建叶绿素反演模型的拟合结果,可知APPEL模型拟合结果的决定系数为0.7823，三波段模型决定系数为0.7053，差值模型和比值模型的决定系数分别为0.6871和0.6305，模型拟合精度由高到低分别为APPEL模型、三波段模型、差值模型、比值模型(图4).基于水色遥感传感器的太湖水体叶绿素浓度反演模型拟合结果可以看出，APPEL模型拟合结果决定系数都在0.73以上.三波段模型拟合结果决定系数都在0.6以上，其精度与稳定性都较APPEL模型差.差值模型和比值模型对于不同的传感器波段设置，模型拟合结果有一定的波动，差值模型拟合决定系数为0.4954～0.7244，比值模型拟合决定系数为0.4918～0.7098.这是因为差值模型和比值模型均为两波段模型，二者建模原理是基于红、近红外波段叶绿素光谱特性的差异，构建红、近红外波段的差值和比值作为光谱参数，并未去除悬浮物、CDOM以及后向散射等的影响，降低了模型适用性与稳定性.而三波段模型和APPEL模型考虑到了悬浮物、CDOM以及后向散射等的影响并对其进行了去除，一定程度上提高了模型的精度.从模型拟合结果还可以看出，对于同一叶绿素浓度反演模型，基于MERIS传感器波段设置的模型模拟结果精度最好，其次分别为基于GOCI传感器波段设置拟合结果、基于HJ-CCD传感器波段设置拟合结果、基于MODIS传感器波段设置拟合结果.2.2 模型外推适应性分析利用未参与建模的数据，对所建模型的外推适应性进行分析.在此，分别采用相对误差(Er)和相对均方根误差(RMSEr)两个指标对模型反演结果进行评价：式中，n是样点数目，Oi和Esi分别为第i个样点的实测值和模型估算值.图5为基于不同传感器波段数据的4个模型验证结果相对误差频率分布直方图，差值模型有36%的样点相对误差小于0.3，并且有7%的样点相对误差大于1.比值模型相对误差小于0.3的样点数占31%，有11%的样点相对误差大于1.三波段模型外推验证结果56%的样点相对误差小于0.3，相对误差大于1的样点数占3%.APPEL模型接近一半的样点相对误差小于0.1，占总样点数的48%，71%的样点相对误差小于0.3.对4种模型反演叶绿素a浓度的反演值和实测值进行相对误差统计和相对均方根误差统计，结果如表1所示.整体来说，APPEL模型的外推结果最好，具有很高的稳定性，对于不同传感器波段设置和不同的传感器波段宽度，模型敏感度较低，叶绿素浓度反演值与实测值的相对误差与相对均方根误差均较小，相对误差为15%～24%，相对均方根误差为21%～32%.三波段模型对于不同传感器波段数据，模型外推结果的相对误差为28%～36%，相对均方根误差为39%～46%.差值模型验证结果相对误差为39%～53%，相对均方根误差为51%～72%，比值模型验证结果相对误差为41%～55%，相对均方根误差为56%～75%.外推验证结果显示模型外推性由高到低分别为APPEL模型、三波段模型、差值模型、比值模型.综合对4种叶绿素浓度反演模型的精度分析可知，APPEL模型在不同传感器拟合结果中和模型外推适宜性分析结果中都显示出很好的精度与稳定性，三波段模型在不同传感器数据叶绿素浓度反演过程中精度有小范围的波动，模型外推适宜性分析结果显示三波段模型的稳定性较APPEL模型低，差值模型和比值模型不论在拟合结果还是外推适宜性分析当中都表现出较大的精度波动，模型的稳定性相对较差.所以APPEL模型因其较好的稳定性与外推性，可以推广到遥感水色卫星反演太湖水体叶绿素浓度.2.3 基于不同传感器波段参数的APPEL模型适应性分析APPEL模型拟合结果决定系数均在0.73以上，对于不同的水色传感器波段数据模型的稳定性较强.其中，基于MERIS传感器数据的模型拟合精度为0.8107，基于GOCI传感器数据的模型拟合精度为0.7823，基于HJ-CCD传感器数据的模型拟合精度为0.7434，基于MODIS传感器数据的模型拟合精度为0.7308.在模型外推适宜性验证结果当中，基于MERIS传感器数据建模的验证结果相对误差和相对均方根误差分别为15%和21%，基于GOCI传感器数据建模的验证结果相对误差和相对均方根误差分别为19%和23%，基于HJ-CCD传感器数据建模的验证结果相对误差和相对均方根误差分别为22%和27%，基于MODIS传感器数据建模的验证结果相对误差和相对均方根误差分别为24%和32%.可以看出基于不同传感器波段设置的APPEL模型精度与稳定性由高到低分别为基于MERIS传感器波段设置、基于GOCI传感器波段设置、基于HJ-CCD传感器波段设置、基于MODIS 传感器波段设置.不同传感器参数建立的模型精度不同的原因主要是，建模所用实测数据的光谱曲线显示红波段的叶绿素吸收峰和近红外波段的叶绿素反射峰分别位于677和707nm附近，且CDOM的敏感波段位于440nm附近，而建模所用的遥感传感器波段设置与这些特征波长均有不同程度的偏离，不能最大程度地获取特征信息.并且不同传感器的光谱分辨率不同，也会影响特征信息的获取.这些问题都会对模型精度产生不同程度的影响.2.4 传感器波段设置对模型精度的影响分析从模型拟合结果和外推性验证结果可以看出，对于不同模型，基于MERIS传感器波段数据的模型拟合结果精度和外推性都是最好的，其次为GOCI、HJ-CCD、MODIS.分析实测数据遥感反射率和叶绿素浓度之间的相关性可以看出，相关系数最小值出现在叶绿素吸收波段677nm，相关系数最大值出现在叶绿素反射峰值附近的707nm，通过循环迭代方法得出三波段最佳位置分别为677、706、730nm.结合建模使用的传感器波段参数，对于叶绿素强吸收的红波段HJ-CCD、MODIS、MERIS、GOCI对应的波段中心波长分别为660、645、665、680nm，分别和特征波长相差17、32、12、3nm.对于叶绿素高反射的近红外波段HJ-CCD、MODIS、MERIS、GOCI对应的波段中心波长分别为830、858.5、708.75、745nm，分别和特征波长相差123、151.5、1.75、38nm.对于730nm波段MERIS、GOCI对应的波段中心波长分别为778.75、865nm，分别和特征波长相差48.75、135nm，而基于HJ-CCD和MODIS传感器的三波段建模使用了波段组合代替近红外波段.对于CDOM敏感波段440nm，HJ-CCD、MODIS、MERIS、GOCI对应的波段中心波长分别为475、469、442.5、443nm，和特征波长分别相差35、29、2.5、3nm.MERIS和GOCI的波段设置都较为接近特征波长，相比较之下，HJ-CCD和MODIS的波段设置和特征波长有较大偏离.另一方面，不同传感器的光谱分辨率不同，这些因子都会对叶绿素浓度模型反演的最终效果产生影响.2.4.1 波段宽度的影响为了检验波段宽度对叶绿素浓度反演模型的影响，以实测数据分析出的特征波长作为中心波长，分别拟合出1、5、10、15、20、25、30、40、50、60、70、80nm波宽的各特征波段，然后构建叶绿素浓度反演差值模型、比值模型、三波段模型和APPEL模型.从图6可以看出，模型拟合精度和验证精度由高到低分别为APPEL模型、三波段模型、差值模型和比值模型.当波宽在1～30nm之间变化时，4个模型拟合结果决定系数呈现比较稳定的趋势，在0.81～0.86之间略微变动；当波段宽度大于30nm时，模型拟合结果决定系数呈现降低趋势，并在40nm之后明显降低；当波宽为80nm时，差值模型、比值模型、三波段模型和APPEL模型的决定系数分别为0.57、0.55、0.63和0.70.模型验证结果与拟合结果一致，波宽小于30nm时，验证结果相对误差和相对均方根误差波动不明显，波宽大于30nm时，验证结果相对误差和相对均方根误差开始逐渐增大.模型的精度随波宽的增加而逐渐降低的原因主要是当波宽较小时，叶绿素特征波长处的信息可以最大程度被获取，模型的信噪比高，而当波宽变大，较大的波段宽度包含更多的噪声，对叶绿素特征信息产生一定程度的模糊，降低了模型的信噪比.另外，由于红、近红外波段比较接近，当波段过宽时，两个波段的光谱信息会出现互相包含现象，这都会影响模型的精度与稳定性.从上述分析可以看出在特征波长处，当波段宽度小于30nm时，波宽的变化对4个模型的精度不会产生较大的影响.2.4.2 波段位置的影响为了验证波段位置对叶绿素浓度反演模型精度的影响，以HJ-CCD、MODIS、MERIS、GOCI各波段中心波长作为中心波长，分别拟合出1、5、10、20、30、40、50、60、70、80nm波宽的各特征波段，构建叶绿素浓度反演差值模型、比值模型、三波段模型和APPEL模型，模型拟合结果和验证结果如图7、图8所示.从模型拟合结果与验证结果可以看出，对于不同的波段位置与波段宽度，APPEL模型的精度最高，其次是三波段模型，差值模型和比值模型反演精度相对较低.对于HJ-CCD传感器，波段宽度从1～60nm变化时，各模型的拟合结果决定系数呈现逐渐增大的趋势，并且模型验证结果相对误差逐渐减小.波宽为60nm处各模型的反演精度最好，差值模型、比值模型、三波段模型和APPEL模型拟合结果决定系数分别为0.6、0.58、0.66、0.77，验证结果相对误差分别为0.44、0.46、。
