下载文档原格式
南大洋扇区夏季表层海水叶绿素a分布特征及其原因分析廖静思;陆志波;王娟;李慧蓉;张洁;王硕仁【摘要】研究利用第30次(2013 ～2014年)南极科学考察所获得的南大洋表层海水叶绿素a、温度以及盐度数据进行分析.结果显示,某些特殊海域如大陆架、岛屿附近海域,或当某一海域存在一些特殊的变化,如海冰融化,海洋锋,底部上升流时,会为浮游植物的生长提供有利条件,进而能够引发浮游植物叶绿素爆发.而在南大洋的5大海域中,罗斯海的叶绿素水平最高,其平均浓度能够达到1.735 mg/m3.通过一些数据分析我们也发现在南半球夏季,对于浮游植物生长来说,温度水平和光照水平都是很充足的,而限制因素主要是营养物质的缺乏.而高纬度海区浮游植物生长速率对全球气候变暖非常敏感,因此对于浮游植物叶绿素爆发的原因探究也对全球碳循环以及气候变化起着重要作用,同时为后续研究提供数据资源.【期刊名称】《四川环境》【年(卷),期】2019(038)001【总页数】11页(P105-115)【关键词】南大洋;叶绿素a;浮游植物爆发;全球变暖【作者】廖静思;陆志波;王娟;李慧蓉;张洁;王硕仁【作者单位】同济大学环境科学与工程学院,上海200092;职合国环境署-同济大学环境与可持续发展学院,上海200092;同济大学环境科学与工程学院,上海200092;同济大学污染控制与资源化国家重点实验室,上海200092;职合国环境署-同济大学环境与可持续发展学院,上海200092;同济大学环境科学与工程学院,上海200092;同济大学环境科学与工程学院,上海200092;中国极地研究中心,上海200136;中国极地研究中心,上海200136【正文语种】中文【中图分类】X551 引言目前，对于南大洋生态系统的研究已经成为南大洋领域研究的重点和热点，浮游植物是海洋生态系统的基础，担负着海洋中90%以上的有机物质的生产[1-2]。
同时，南大洋是重要的大气CO2沉降区[3-4]，对于全球气候变化起到了至关重要的作用[5]。
《基于Landsat 8 OLI卫星影像的乌梁素海悬浮物和叶绿素a浓度遥感反演研究》篇一一、引言随着遥感技术的飞速发展，利用卫星影像对地表环境和生态系统的监测变得愈加准确和便捷。
其中，基于Landsat 8 OLI卫星影像的数据资源在湖泊环境研究中发挥了重要作用。
乌梁素海作为我国北方的一个典型内陆湖泊，其水质变化和生态环境状况受到了广泛关注。
因此，本文以乌梁素海为研究对象，利用Landsat 8 OLI卫星影像数据，探讨其悬浮物和叶绿素a浓度的遥感反演方法。
二、研究区域与方法（一）研究区域乌梁素海位于我国北方某省，是典型的内陆湖泊。
该湖泊的生态环境和水质状况对周边地区具有重要影响。
（二）研究方法本研究主要利用Landsat 8 OLI卫星影像进行反演研究。
首先，收集乌梁素海区域的多时相Landsat 8 OLI卫星影像数据；其次，对卫星影像进行预处理，包括辐射定标、大气校正等；然后，通过分析水体光谱特征，建立悬浮物和叶绿素a浓度与卫星影像特征参数之间的数学模型；最后，利用模型对乌梁素海进行遥感反演，获取悬浮物和叶绿素a浓度的空间分布情况。
三、数据处理与分析（一）数据预处理对收集到的Landsat 8 OLI卫星影像进行辐射定标和大气校正等预处理操作，以提高数据质量。
（二）光谱特征分析通过分析乌梁素海水体的光谱特征，发现水体中的悬浮物和叶绿素a对不同波段的光具有不同的反射和吸收特性。
其中，蓝色波段对叶绿素a的吸收较强，而红色和近红外波段对悬浮物的反射较为敏感。
（三）数学模型建立根据水体光谱特征分析结果，建立悬浮物和叶绿素a浓度与卫星影像特征参数之间的数学模型。
本研究采用多元线性回归方法建立模型，通过分析不同波段的光谱信息与悬浮物和叶绿素a 浓度的关系，确定模型的参数。
（四）遥感反演与结果分析利用建立的数学模型对乌梁素海进行遥感反演，获取悬浮物和叶绿素a浓度的空间分布情况。
通过对反演结果的分析，发现乌梁素海不同区域的悬浮物和叶绿素a浓度存在较大差异，这与该地区的气候、植被和水质等因素密切相关。
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。
基于GOCI的东海叶绿素a浓度3种反演算法的对比及其昼变化分析王芮;伍玉梅;杨胜龙;崔雪森;王琳;张胜茂【摘要】叶绿素a浓度是一种表征水体富营养化程度的重要参数,其已经成为水体水质评价的重要指标,它的研究对赤潮、绿潮等的监测预报具有重要意义.基于GOCI卫星获取的水色遥感资料,先对LIB数据进行了大气校正等影像预处理,然后利用OC2、OC3G和YOC 3种叶绿素反演算法反演了东海叶绿素a浓度,并用实测资料对3种反演算法结果进行验证分析,通过反演值与实测值之间的平均绝对误差、平均相对误差和相关系数对3种算法反演精度进行了比较,其中YOC算法的平均绝对误差为0.39 mg·m-3,平均相对误差为42.47％,相关系数为0.88,是3种算法中平均绝对误差和平均相对误差最小、相关系数最高的,因此确定YOC算法反演东海叶绿素a浓度是最优的.进而,利用YOC算法从GOCI卫星获取的高时间分辨率水色遥感信息反演了2011-2017年的东海叶绿素a浓度,并分析叶绿素a浓度的昼变化特征,基本上表现为:一日内从08:30到15:30,叶绿素a浓度先升高再降低,在10:30左右达到峰值,此结果与藻类气泡调节浮力机制理论基本吻合.【期刊名称】《海洋渔业》【年(卷),期】2018(040)003【总页数】10页(P287-296)【关键词】GOCI;叶绿素a浓度;YOC算法;昼变化;东海【作者】王芮;伍玉梅;杨胜龙;崔雪森;王琳;张胜茂【作者单位】上海海洋大学,上海201306;中国水产科学研究院东海水产研究所,上海200090;中国水产科学研究院东海水产研究所,上海200090;中国水产科学研究院东海水产研究所,上海200090;中国水产科学研究院东海水产研究所,上海200090;农业部渔业遥感科学观测实验站,北京100041;中国水产科学研究院,北京100041;中国水产科学研究院东海水产研究所,上海200090【正文语种】中文【中图分类】S91近年来，随着东海沿海工农业的发展和人口的增加，工农业废水和生活污水向沿岸海域的排放量剧增，东海海洋环境及气候发生急剧变化，富营养化程度日趋严重，赤潮、绿潮等海洋生态问题发生频率、范围及其造成的危害大为增加。
遥感技术监测水体叶绿素a含量的研究进展杨玉敏;赵俊;王晓珂;张少丹【摘要】随着环境水体污染和富营养化问题日显突兀,有效开展水体的水质监测是水体污染综合治理的基础,因此必须加强对水体水质的监测,其中叶绿素a是水体污染和富营养化程度高低的重要标志.遥感监测方法高效、快速地探测水体的污染物迁移,实现了水体的大范围实时监测,因此遥感技术的应用及研究对完善和提高水体水质监测能力具有十分重要的研究意义.针对遥感技术监测水体叶绿素a (Chl-a)含量的相关课题,从选题背景、研究意义、水质遥感技术监测Chl-a含量的原理、监测方法、所面临的问题等方面,阐述了遥感技术在监测水体Chl-a含量的研究进展,提出了目前所面临的问题,并进一步对遥感技术监测水体Chl-a含量的研究进展进行了展望.%With the increasing environmental pollution, water pollution and eutrophication problems are become more and more obvious, so it is necessary to strengthen water monitoring and water pollution control. Effective water quality monitoring is the basis of eutrophied water treatment. Chlorophyll-a is an important indicator of the level of water pollution and eutrophication. Remote sensing monitor can inspect pollutants migration, and a wide range of real-time monitoring of water can be achieved by remote sening. The application and research of remote sensing technology are of a great significance to the water quality monitoring. In this paper, we investigate the background, the principle and progress of remote sening monitoring technology. Meanwhile, the research progress of remote sensing technology is expounded, and theproblems are put forward, and the developments of monitoring the content of Chl-a in water by remote sensing technology are discussed.【期刊名称】《安徽化工》【年(卷),期】2018(044)003【总页数】3页(P1-3)【关键词】遥感;叶绿素a;监测;水体【作者】杨玉敏;赵俊;王晓珂;张少丹【作者单位】邢台学院,河北邢台054001;邢台学院,河北邢台054001;邢台学院,河北邢台054001;邢台学院,河北邢台054001【正文语种】中文【中图分类】X87水是生命之源，是人类赖以生存和发展的基础。
《岱海叶绿素a遥感反演模型及藻华监测研究》篇一一、引言随着现代科技的飞速发展，遥感技术在水质监测、海洋生态保护等领域发挥着越来越重要的作用。
其中，叶绿素a作为水体中藻类生物量的重要指标，其浓度变化直接反映了水体的营养状况和生态环境的健康状况。
因此，准确快速地监测叶绿素a的浓度变化，对预防水体富营养化及藻华等环境问题具有重要意义。
岱海作为一个典型的内陆湖泊，其水质的监测和藻华的预警对于当地生态环境的保护至关重要。
本文将详细介绍岱海叶绿素a的遥感反演模型及其在藻华监测中的应用。
二、岱海叶绿素a遥感反演模型1. 遥感数据的选择与处理遥感数据的选择对于反演模型的准确性至关重要。
本文选取了卫星遥感数据，包括可见光、近红外和红边波段等数据。
在数据处理过程中，进行了大气校正、辐射定标等预处理工作，以消除大气、太阳高度角等因素对遥感数据的影响。
2. 叶绿素a遥感反演模型的建立基于遥感数据的特性，本文采用经验统计法和半分析法相结合的方法，建立了岱海叶绿素a的遥感反演模型。
该模型通过分析遥感数据与叶绿素a浓度的相关关系，建立了数学模型，实现了从遥感数据中提取叶绿素a浓度的目的。
三、模型验证与精度评估为了验证模型的准确性和可靠性，本文采用现场实测数据对模型进行了验证。
通过对比实测数据与模型反演结果，发现该模型具有较高的精度和可靠性，能够准确反映岱海叶绿素a的浓度变化。
四、藻华监测应用1. 藻华监测原理基于叶绿素a遥感反演模型，可以实时监测岱海的水质状况。
当叶绿素a浓度超过一定阈值时，表明水体可能出现富营养化及藻华等问题。
因此，通过监测叶绿素a的浓度变化，可以及时掌握岱海的藻华状况。
2. 藻华监测实践本文利用建立的遥感反演模型，对岱海进行了长期的藻华监测。
通过分析历史数据，发现岱海的藻华状况呈现出一定的季节性和周期性。
在富营养化严重的季节，及时采取措施控制污染源，有效减缓了藻华的发生。
五、结论本文建立了岱海叶绿素a的遥感反演模型，并对其在藻华监测中的应用进行了研究。
基于时空演变多重特性建模的近海叶绿素浓度时序预测王成贺;宋宁;王京禹;刘安安;聂婕【期刊名称】《信号处理》【年(卷),期】2022(38)6【摘要】近海环境是沿海地区社会经济发展的关键支撑系统,近海环境的持续恶化对海洋经济的可持续发展带来了巨大挑战。
叶绿素浓度的反映了水体理化性质的演变规律,对近海生态环境保护具有重要意义。
尽管现有时序叶绿素浓度预测方法能从时空数据中挖掘有效信息,揭示时空数据的发展趋势和变化规律,但忽略了时空数据的结构化特征以及外界因素/突发因素对叶绿素浓度的影响。
因此,本文提出基于时空演变多重特性建模的近海叶绿素浓度时序预测模型,并由四部分构成:自相关时序预测模块预测叶绿素浓度时序变化规律;多视角空间融合预测模块在构建预测点与其他位置叶绿素浓度空间关联性基础上,考虑海域气象状况,提高了空间叶绿素浓度预测的可靠性;基于环境上下文的突变模块通过对极端因素建模,挖掘突变因素与的叶绿素浓度变化的关联;时空动态聚合模块利用结构化模式,结合时间、空间叶绿素预测结果,实现不同圈层全要素近海叶绿素浓度建模。
在渤海叶绿素浓度数据上的实验结果表明,该算法模型极大程度提升了近海叶绿素预测模型的准确性与可靠性。
【总页数】8页(P1232-1239)【作者】王成贺;宋宁;王京禹;刘安安;聂婕【作者单位】中国海洋大学信息科学与工程学部;天津大学电气自动化与信息工程学院【正文语种】中文【中图分类】X55【相关文献】1.一种自优化RBF神经网络的叶绿素、a浓度时序预测模型2.基于支持向量机的长江口及其邻近海域叶绿素a浓度预测模型3.基于遥感资料的北黄海叶绿素a浓度时空演变特征分析4.基于遗传算法-支持向量机的水库叶绿素a浓度短期预测非线性时序模型5.中国近海冷空气浪的时空分布特性及演变规律因版权原因，仅展示原文概要，查看原文内容请购买。
基于OLCI数据的洱海叶绿素a浓度估算毕顺;李云梅;吕恒;朱利;牟蒙;雷少华;徐杰;温爽;丁潇蕾【期刊名称】《湖泊科学》【年(卷),期】2018(030)003【摘要】海陆颜色仪(OLCI)是搭载在Sentinel-3上的新型水色遥感传感器,其对于内陆清洁水体水质遥感监测的适用性有待验证.本研究以评价水体富营养化程度的重要参数叶绿素a(Chl.a)浓度为指标,以高原湖泊洱海为研究区,基于2017年4月19日共20个星地同步实验数据,建立了3种可应用于OLCI数据的Chl.a浓度遥感估算模型(波段比值模型、三波段模型以及FLH模型),并估算了当日洱海Chl.a 浓度的空间分布.结果表明:(1)选用波段Oa8(665 nm)、Oa11(708.75 nm)和0a12(753.75 nm)构建的三波段模型最适用于洱海水域的Chl.a浓度估算,其平均绝对误差百分比为12.37％,低于波段比值模型的16.04％和FLH模型的13.50％;(2)对OLCI使用的大气校正方法中,基于去瑞利散射的暗像元法对估算模型的适用性要优于6S、FLAASH以及QUAC方法;(3)洱海OLCI影像中近岸水体受邻近效应影响严重,近红外波段0a12(753.75 nm)受陆地邻近效应影响的距离为1～2个像元,而Oa8(665 nm)、0a10(681.25 nm)和Oa11(708.75 nm)波段为1个像元;(4)2017年4月19日全湖Chl.a浓度均值为12.15±5.72 μg,/L,洱海中部水域Chl.a浓度最低(9.00～12.00 μg/L),北部水域浓度最高(12.00～22.76 μg/L),南部水域浓度稍高(12.00～14.00 μg/L),阳南溪与波罗江入湖口受降雨径流的影响出现“羽流现象”,导致Chl.a浓度偏低,约为8.33 μg/L.【总页数】12页(P701-712)【作者】毕顺;李云梅;吕恒;朱利;牟蒙;雷少华;徐杰;温爽;丁潇蕾【作者单位】南京师范大学虚拟地理环境教育部重点实验室,南京210023;南京师范大学虚拟地理环境教育部重点实验室,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;南京师范大学虚拟地理环境教育部重点实验室,南京210023;环境保护部卫星环境应用中心,北京100094;南京师范大学虚拟地理环境教育部重点实验室,南京210023;南京师范大学虚拟地理环境教育部重点实验室,南京210023;南京师范大学虚拟地理环境教育部重点实验室,南京210023;南京师范大学虚拟地理环境教育部重点实验室,南京210023;南京师范大学虚拟地理环境教育部重点实验室,南京210023【正文语种】中文【相关文献】1.利用SeaWiFS数据估算珠江口海域表层叶绿素浓度的研究 [J], 陈晓翔;丁晓英2.NDCI法Ⅱ类水体叶绿素a浓度高光谱遥感数据估算 [J], 安如;刘影影;曲春梅;Quaye-Ballard JA;梁欣;徐晓峰;王喆;姜丹萍3.基于Hyperion数据的太湖水体叶绿素a浓度遥感估算 [J], 闻建光;肖青;杨一鹏;柳钦火;周艺4.基于哨兵-3A卫星OLCI数据的最大叶绿素指数在太湖蓝藻水华监测中的应用[J], LI Xuwen;ZHANG Yue;SHI Hao;JIANG Sheng;WANG Tiantian;DING Ming;CAI Kun5.基于OLCI数据的杭州湾悬浮物浓度估算及其产品适用性分析 [J], 李渊;郭宇龙;程春梅;张毅博;胡耀躲;夏忠;毕顺因版权原因，仅展示原文概要，查看原文内容请购买。
南海中部海域夏季叶绿素a浓度垂向分布特征于杰;陈国宝;张魁;陈作志【摘要】根据2014年7月～8月南海中部海域(12°N～18°N,110°E～117°E)调查获得的水柱方向上连续的叶绿素a浓度(C0l-a)数据,分析了南海中部海域夏季Chl-a垂向分布特征.结果表明:1)南海中部海域Chl-a垂向分布呈现先增加后减小的趋势,在30 ～ 70 m水层出现Chl-a高浓度区;2)次表层Chl-a最大值(subsurface chlorophyll aconcentration maximum,SCM)强度变化为0.94 ～4.69 mg·m-3,平均为1.90 mg·m-3,是遥感表层Chl-a平均值的18.10倍,SCM深度变化为4～ 75.36 m,SCM厚度变化为19.01 ～80.36 m;3)从断面分布来看,局部海域Chl-a垂向分布受到上升流的显著影响,断面A上沿岸上升流区表现出明显的SCM强度大、深度浅和厚度大的特征,而断面B上中沙群岛岛礁上升流区同样表现出SCM强度大、深度浅的特征,但是厚度相对较小.【期刊名称】《南方水产科学》【年(卷),期】2016(012)004【总页数】8页(P1-8)【关键词】叶绿素a;垂直分布;上升流;南海中部【作者】于杰;陈国宝;张魁;陈作志【作者单位】中国水产科学研究院南海水产研究所,农业部南海渔业资源开发利用重点实验室,农业部南海渔业资源环境科学观测实验站,广东广州510300;中国水产科学研究院南海水产研究所,农业部南海渔业资源开发利用重点实验室,农业部南海渔业资源环境科学观测实验站,广东广州510300;中国水产科学研究院南海水产研究所,农业部南海渔业资源开发利用重点实验室,农业部南海渔业资源环境科学观测实验站,广东广州510300;中国水产科学研究院南海水产研究所,农业部南海渔业资源开发利用重点实验室,农业部南海渔业资源环境科学观测实验站,广东广州510300【正文语种】中文【中图分类】Q948.885.3浮游植物是海洋生态系统的重要组成，是描述海洋生态系统与环境特征的重要参数[1]。
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。
利用卫星数据简单分析影响叶绿素浓度的因素李兆钦，廖显春(青岛，中国海洋大学2013)摘要：本文将以2010年12个月的叶绿素浓度的AQUA/MODIS卫星数据以及Remote Sensing Systems（AMSRE）网站的数据为基础，对全球叶绿素浓度的时空分布与其他三者的大致相关关系进行简单的分析，得出一些影响叶绿素浓度的不同因素的结论。
关键词：卫星遥感叶绿素浓度AQUA/MODIS AMSRE1.引言海洋叶绿素浓度的测定与海洋生态系统的初级生产力有密切的关系，而且与海洋环流有着很大的联系，同时对于海洋污染（赤潮等）的监测也有很大的帮助。
但是以往对于叶绿素浓度的测定的方法需要进行实地采集水样，不仅成本高、速度慢、采样点稀疏，而且资料时间空间同步性都比较差，所以这一项的工作做的一直不是很好，但是随着近几年来水色遥感卫星的发展，现在基本上可以实现大范围水域准时时地进行叶绿素浓度的探测，而且这种方法具有速度快、成本低、资料完整性同步性比较好，因此卫星遥感技术的应用为人们提供了丰富的数据以供研究。
最近几年有关于叶绿素浓度的研究日益增多，而且多趋于研究部分海域，本文将通过对全球海洋叶绿素浓度的研究，获得影响叶绿素浓度的相关性因素，并简要给出其关系。
2.数据来源本文所用的(1)叶绿素数据为aqua\modis的L3（L2～L4：是对LlB数据进行各种应用处理之后所生成的特定应用数据产品。
）数据产品，数据的空间分辨率为9km,选择的时间段是2010年12个月平均的数据。
MODIS是当前世界上新一代“图谱合一”的光学遥感仪器，有36个离散光谱波段，光谱范围宽，从0.4微米（可见光）到14.4微米（热红外）全光谱覆盖。
MODIS的多波段数据可以同时提供反映陆地表面状况、云边界、云特性、海洋水色、浮游植物、生物地理、化学、大气中水汽、气溶胶、地表温度、云顶温度、大气温度、臭氧和云顶高度等特征的信息。
可用于对地表、生物圈、固态地球、大气和海洋进行长期全球观测。
中国近海叶绿素a强度趋势的影响因素事实上近年来，中国近海水体富营养化问题日益严重，甚至将成为全球面临的环境问题。
水体富营养化导致水体中的藻类物质大量繁殖。
叶绿素a为活性物质，水体中的藻类物质由于叶绿素的存在会在蓝紫光波段以及红光波段出现吸收峰，在近红外波段则会出现一个显著的反射峰。
并且水体由于叶绿素a浓度不同所呈现出的水体反射率也不同。
基于这一显著特征，便可以利用遥感方法反演叶绿素a浓度。
标签：叶绿素a;遥感;渔业资源;过度捕捞叶绿素a（Chla）是水质监测的重要参数之一，其强度趋势代表着叶绿素a 增减的趋势，遥感技术的发展使得检测叶绿素a的方法得以改进具有监测范围广、速度快、成本低和便于长期动态监测的优势。
遥感就是不直接触物体，从远处利用探测仪器接收来自地物的电磁波信息，并对该信息进行分析处理从而识别地物的综合性探测技术，即“遥远的感知”。
1遥感监测水体叶绿素a的原理通过遥感反演的方法获得叶绿素a浓度的原理是叶绿素a特征。
叶绿素a为活性物质，水体中的藻类物质由于叶绿素的存在会在蓝紫光波段以及红光波段出现吸收峰，在近红外波段则会出现一个显著的反射峰。
并且水体由于叶绿素a浓度不同所呈现出的水体反射率也不同。
基于这一显著特征，便可以利用遥感方法反演叶绿素a浓度。
随着遥感技术在富营养化水体监测和评价中的2叶绿素a强度趋势下图为遥感数据分析得到的2003～2015年每年六月份叶绿素a强度趋势图，红色区域表示叶绿素a强度趋势大于O，意识着该月份叶绿素a处于增长趋势;蓝色区域表示叶绿素a强度趋势小于0，意味着该月份叶绿素处于降低趋势。
可见在2003～2015年六月份叶绿素a在该海区的强度有下降趋势;取绝对值为0.0149同理，下圖为七月叶绿素a强度趋势图：可见在2003～2015年七月份叶绿素a在该海区的强度有下降趋势，取绝对值为0.0021，七月份强度下降趋势的幅度比六月小下图为八月叶绿素a强度趋势图：可见强度趋势大于0，叶绿素a于2003～2015年的八月份有增长的趋势，取绝对值0.0163关于三个月的叶绿素a强度趋势的平均值分别为：mean6=-0.0149;mean7=-0.0021;mean8=.0.0163可发现六七八月份叶绿素a的强度有先下降后上升的趋势，在探究其强度趋势的变化原因的同时，可先根据物理海洋学了解该海区今年的渔业资源的特点：中国东海海域面积约为77.3万km2，其大陆架渔场面积约为52万km2。
如何利用遥感数据进行海水污染监测与评估遥感数据在海水污染监测与评估中的应用近年来，随着工业化进程的加快和人类活动的增加，海水污染问题日益严重，对于维护海洋生态环境和保护人类健康至关重要。
遥感技术作为一种高效准确的海洋监测手段，为海水污染的监测与评估提供了新的思路和工具。
本文将对如何利用遥感数据进行海水污染监测与评估进行探讨。
1. 遥感技术在海洋环境污染探测中的应用(1) 遥感数据的获取与处理遥感技术通过卫星、飞机等载具获取海洋环境的各类数据，包括多光谱遥感影像、海面温度、悬浮物浓度等。
这些数据通过先进的图像处理算法进行预处理和校正，消除大气干扰等因素，形成准确可靠的数据。
(2) 水体遥感指标与海水污染关系的分析利用多光谱遥感数据，可以提取出多个有关水质的指标，比如叶绿素浓度、浊度、溶解有机物浓度等。
这些指标与海水污染的程度存在一定的相关性，可以通过统计和分析，建立起遥感指标与海水污染关系的模型，为海水污染的监测与评估提供依据。
(3) 污染源的定位与识别遥感技术可以利用高分辨率影像揭示海洋污染源的空间分布情况。
通过对污染源的空间位置进行定位和识别，可以帮助相关部门采取有效的控制和治理措施，减少海水污染对环境和生态的破坏。
2. 海水污染监测与评估的案例分析(1) 渤海海域的叶绿素浓度监测对于主要受到陆源输入影响的渤海海域，利用遥感技术可以实现对叶绿素浓度的监测。
通过获取并分析遥感数据，可以揭示渤海海域叶绿素浓度的时空变化规律，为该海域的污染防控提供科学依据。
(2) 南海油田污染源溢油监测南海油田的溢油事件频发，给海洋环境造成了严重的污染。
利用高分辨率遥感影像，可以及时发现油田溢油的情况，监测污染程度，为溢油事故的应急处置提供重要信息。
3. 遥感技术在海水污染监测与评估中的优势与挑战(1) 优势遥感技术能够广泛获取海洋环境数据，覆盖范围广、获取频次高，能够实现对大范围、临时性、动态性污染事件的监测和评估。
中国近海⽔⾊遥感研究进展International Journal of Ecology 世界⽣态学, 2017, 6(2), 82-92 Published Online May 2017 in Hans. /doc/84329c8f0d22590102020740be1e650e52eacf2f.html /journal/ijehttps:///doc/84329c8f0d22590102020740be1e650e52eacf2f.html /10.12677/ije.2017.62010⽂章引⽤: ⾼慧, 赵辉, 沈春燕. 中国近海⽔⾊遥感研究进展[J]. 世界⽣态学, 2017, 6(2): 82-92.Progress in Ocean Color Remote Sensing of Chinese Marginal SeasHui Gao 1, Hui Zhao 1, Chunyan Shen 21College of Oceanography and Meteorology, Guangdong Ocean University, Zhanjiang Guangdong 2Fisheries College, Guangdong Ocean University, Zhanjiang Guangdong Received: May 6th , 2017; accepted: May 23rd , 2017; published: May 27th , 2017AbstractOcean color remote sensing is an important means of monitoring the marine environment; it has the advantages of high observation frequency, wide spatial coverage and small influence by sea condition. In recent years, marine scientific researchers and marine monitoring branches havebeen paid more and more attention. This paper reviews the development process of ocean color sensor, summarizes and classifies the ocean color inversion algorithms, and further takes remote sensing of ocean color in Chinese coastal regions as an example, to show the present status, progress and application prospect of ocean color in recent years. KeywordsChinese Marginal Seas, Ocean Color Remote Sensing Algorithm, Chlorophyll-A中国近海⽔⾊遥感研究进展⾼慧1，赵辉1，沈春燕21⼴东海洋⼤学，海洋与⽓象学院，⼴东湛江 2⼴东海洋⼤学，⽔产学院，⼴东湛江收稿⽇期：2017年5⽉6⽇；录⽤⽇期：2017年5⽉23⽇；发布⽇期：2017年5⽉27⽇摘要海洋⽔⾊遥感是海洋环境监测的重要⼿段，具有观测频率⾼、空间覆盖⼴以及受海况影响⼩的优点，近年来逐渐受到海洋科研⼯作者和海洋监测部门的重视。
第1篇一、实验背景随着海洋资源的日益开发和海洋环境问题的日益突出，海洋遥感技术作为一项重要的探测手段，在海洋科学研究和海洋资源管理中发挥着越来越重要的作用。
本实验旨在通过卫星海洋遥感技术，对海洋环境进行观测和分析，为海洋科学研究和海洋资源管理提供数据支持。
二、实验目的1. 了解卫星海洋遥感的基本原理和方法。
2. 掌握卫星海洋遥感数据的获取和处理技术。
3. 分析卫星海洋遥感数据在海洋环境监测中的应用。
4. 提高对海洋环境变化的认识和应对能力。
三、实验内容1. 卫星海洋遥感基本原理- 卫星海洋遥感是利用卫星平台对海洋进行观测的技术，通过遥感传感器获取海洋表面的物理、化学和生物信息。
2. 卫星遥感数据获取- 利用遥感卫星获取海洋遥感数据，包括可见光、红外、微波等波段。
3. 卫星遥感数据处理- 对获取的遥感数据进行预处理，包括辐射校正、几何校正、大气校正等。
4. 海洋环境监测与分析- 利用处理后的遥感数据，对海洋环境进行监测和分析，包括海表温度、海洋污染、海洋动力环境等。
四、实验步骤1. 数据准备- 选择合适的遥感卫星数据，如Landsat、MODIS、SeaWiFS等。
2. 数据预处理- 对遥感数据进行辐射校正、几何校正、大气校正等预处理。
3. 数据处理- 利用遥感数据处理软件（如ENVI、ArcGIS等）进行数据处理。
4. 数据分析- 利用遥感数据分析软件（如IDL、Python等）对遥感数据进行统计分析。
5. 结果展示- 利用可视化工具（如图表、地图等）展示实验结果。
五、实验结果与分析1. 海表温度分析- 通过遥感数据获取的海表温度数据，分析海洋热力环境变化。
2. 海洋污染分析- 利用遥感数据监测海洋污染情况，如油膜、赤潮等。
3. 海洋动力环境分析- 分析海洋动力环境变化，如海流、波浪等。
六、实验结论1. 卫星海洋遥感技术在海洋环境监测中具有重要作用。
2. 通过遥感数据预处理和数据分析，可以获取海洋环境变化信息。
南海北部海域叶绿素 a浓度时空特征遥感分析马翱慧;刘湘南;李婷;刘美玲【摘要】利用2007－2010年MODIS的L2级叶绿素a浓度产品作为数据基础，对叶绿素a浓度年平均和月平均数据进行分级分区处理，研究南海北部海域叶绿素a浓度时空分布特征及其与海洋环境因素的关系。
初步研究结果表明：2007－2010年在南海北部海域叶绿素a浓度的高值区（＞5.0 mg/m3）主要分布在广东省沿岸河流的入海口，分布范围在夏季最大，在春秋次之，在冬季最小；叶绿素a 浓度的次高值区（1.0～5.0 mg/m3）主要分布在海岸线到50 m等深线之间的海域，分布范围夏冬较大，能扩展到50 m等深线附近，而春秋较小，会退缩到50 m等深线以内；叶绿素a浓度的中值区（0.3～1.0 mg/m 3）主要分布在100 m等深线以外的海域，其区域平均值夏季最低，春秋次之，冬季最高，同时该区域叶绿素a浓度在春夏秋三季空间分布较均匀，而冬季受季风和黑潮入侵影响空间分布较为复杂。
南海北部海域海表叶绿素a浓度的时空变化特征与季风、沿岸河流、海流、海表温度等海洋环境因素的变化有关。
3）主要分布在50 m到100 m等深线之间的海域，时空变化复杂；叶绿素a浓度的低值区（＜0.3 mg/m%The temporal and spatial distribution of a chlorophyll a (Chl-a) concentration in the northern South China Sea (NSCS) and its relationship with marine environmental factors were studied based on the annually and monthly mean images (January 2007 to December 2010) of the Chl-a concentration ,which were obtained from the MODIS chlorophyll a concentration Level 2 products ,then classified into seven re-gions basedon the isobaths and divided into six grades .The preliminary results showed that during 2007-2010 in the NSCS ,the highest value area (>5mg/m3 ) of Chl-a concentration was mainly distributed in Guangdong coastal estuaries ,and the biggest in summer ,followed in spring and autumn ,the smallest in winter ;The second highest value area(1.0~5.0mg/m 3 ) of the Chl-a concentration was mainly in the wa-ters between coastline and 50m isobaths .The distribution range of Chl-a concentration in summer and win-ter was larger ,extending to the vicinity the 50 m isobath ,smaller in spring and autumn ,keeping within 50 m isobath ;the mid-value area(0.3~1.0 mg/m 3 ) of the Chl-a concentration mainly distrubuted between 50 and 100 m isobath with complex temporal and spatial variation ;the low value area(<0.3 mg/m3 ) of the Chl-a concentration distributed basically in the waters beyond the 100 m isobath ,where the regional aver-age of monthly mean Chl-a concentration was the lowest in summer ,followed by spring and autumn ,the highest in winter ,and where the spatial distributions of the Chl-a concentration were homogeneous in spring ,summer and autumn ,but due to the monsoon and the intrusion of Kuroshio ,became more complex in winter .The temporal and spatial features of the Chl-a concentration in the NSCS were affected by the variations of the marine environmental factors ,such as monsoon ,coastal rivers ,ocean currents ,sea sur-face temperature ,etc .【期刊名称】《海洋学报（中文版）》【年(卷),期】2013(000)004【总页数】8页(P98-105)【关键词】南海北部海域;MODIS;叶绿素a浓度;时空变化【作者】马翱慧;刘湘南;李婷;刘美玲【作者单位】中国地质大学北京信息工程学院，北京100083;中国地质大学北京信息工程学院，北京100083;中国地质大学北京信息工程学院，北京100083;中国地质大学北京信息工程学院，北京100083【正文语种】中文【中图分类】P722.7海洋浮游植物作为海洋有机物的初级生产者，在海洋生态系统的物质循环和能量转化过程中起着重要作用［1］。
海水叶绿素a浓度值是海洋浮游植物数量的一个重要指标，其时空变化反映了海洋初级生产力的变化。
海洋叶绿素a浓度也是评价海洋水质、有机污染程度和探测海洋渔场的重要参数，其时空特征包含海区基本的生态信息，与光照、温度、盐度以及风潮流等各种海洋环境因素密切相关，因此海洋叶绿素a浓度的观测对海域的各种科学研究具有重要的意义［2］。
随着遥感技术的发展，利用卫星遥感技术探测海水叶绿素a浓度较常规方法有着探测速度快、成本低、可实现大范围同步测量等优势［3－5］。
近几年美国的MODIS （moderate-resolution imaging spectroradiometer）为海洋叶绿素a浓度的遥感探测提供了丰富的数据源。
随着水色遥感技术的不断发展，不少研究者开始利用水色遥感资料来研究南海整个海域或部分典型海域的叶绿素a浓度分布特征及其与海域环境因素的关系。
商少凌等［6］利用Sea WiFS水色数据与现场观测叶绿素a浓度数据，研究了1998年冬季台湾海峡叶绿素a浓度分布特征；Tang等［5］利用Sea WiFS和AV HR R水色数据对南海北部湾叶绿素a浓度时空特征进行了探讨；陈楚群等［7］对南海海域叶绿素浓度的空间分布特征进行了分析，发现叶绿素浓度分布的基本格局受南海环流结构的控制；赵辉等［8］利用1997—2002年的水色遥感数据，探讨了南海多年平均叶绿素浓度时空变化以及与环境要素的关系。
随着MODIS数据资料逐年增加，不少研究者开始利用MODIS水色遥感数据对水体叶绿素进行研究，Zhang等［9］利用MODIS数据对太湖叶绿素浓度时空变化进行了研究；Kuo等［10］利用2002—2006年的MODIS数据讨论了南海叶绿素浓度的时空变化。
其他许多学者也利用MODIS数据对海洋叶绿素浓度进行了相关研究［11－15］。
为了获得南海北部海域海表叶绿素a浓度得时空分布特征，本文以2007—2010年MODIS L2级叶绿素a浓度遥感数据产品作为数据源，对其进行分级处理，并结合等深线分区研究南海北部海域海表叶绿素a浓度的时空分布特征，同时初步分析海表叶绿素a浓度的时空变化与海洋环境因素之间的关系。
2.1 数据本文的南海北部海域海表叶绿素a浓度数据是从美国国家航空与航天局戈达德飞行中心（N ASAGoddard Space Fl ight Center）的MODIS Aqua Chl-a Level2叶绿素a浓度产品中获得（http：／／／）。
资料所覆盖的时段为2007年1月到2010年12月，共48个月，空间分辨率为1 k m。
研究区域为18°～24°N，109°～121°E之间的南海北部海域（如图1所示）。
2.2 数据处理首先，对MODIS－L2级海洋叶绿素a浓度产品进行坐标投影转换、区域裁剪、多时相合成等处理，分别获得研究区域内的月平均和年平均叶绿素a浓度数据。
其次，依据南海北部等深线将研究海域分为A，B，C，D，E，F，G七个区域。
如图1所示，A区为海岸线到50 m等深线区域；B区为50～100 m等深线区域；C区为100～200 m等深线区域；D区为200～1000 m等深线区域；E区为1000～2000 m等深线区域；F区为2000～3000 m等深线区域；G区为大于3000 m等深线区域。
为了便于研究，依据研究区年平均叶绿素a浓度分布情况以及与等深线的空间关系对其进行了分级处理，将广东省沿岸和河流入海口处叶绿素a浓度划为S6级，A区1.00～5.00 mg／m3叶绿素a浓度划分为高值区（S5级），B区0.3～1 mg／m3叶绿素a浓度被划分为中值区（S4和S3级），100 m等深线以外海域0～0.30 mg／m3叶绿素a浓度被划分为低值区（S2和S1级）（表1）。
3.1 空间分布特征分析将A到G区2007—2010年年平均叶绿素a浓度的区域平均值进行对比分析（图2）发现A到G区的叶绿素a浓度平均值随着区域深度增加呈现递减趋势。
在A区4 a叶绿素a浓度的平均值基本保持在1.80～2.40 mg／m3，B到G区4 a叶绿素a浓度的年平均值基本保持在0.50 mg／m3以下。
