基于TM遥感图像的近海岸带水深反演研究

Quantitative Remote Sensing Inversion Methods of Chlorophyll-a Concentration in Taihu Lake Based on
TM Data
作者： 杨一鹏[1] 王桥[2] 肖青[3] 闻建光[3]
作者机构： [1]中国环境监测总站,北京100029 [2]南京师范大学地理信息科学江苏省重点
实验室,江苏南京210097 [3]中国科学院遥感应用研究所,北京100101
出版物刊名： 地理与地理信息科学
页码： 5-8页
主题词： TM 叶绿素a 定量遥感反演 太湖
摘要：探讨利用常规卫星遥感数据Landsat／TM定量反演太湖叶绿素a（Chl—a）浓度的
方法。

在对Landsat／TM影像进行几何校正、辐射定标、大气校正等预处理的基础上，选择适于太湖Chl—a浓度定量反演的最佳波段或波段组合，采用半经验回归模型和混合光谱分解模型
分别建立太湖Chl-a浓度定量反演模型，并对不同模型及反演结果进行对比分析。

基于TM影像反演的郑州市地表温度与城市绿化关系的研究摘要:本文以Landsat 5 TM为主要遥感数据源,辅助以气象数据资料,通过NDVI计算植被覆盖度来反映郑州市不同下垫面的绿化情况,并利用单窗算法精确反演郑州市2009年6月25日的地表温度。

研究表明,郑州市植被覆盖程度与地表温度呈明显的负相关,城市绿化对热岛效应具有明显的削弱作用。

关键词:Landsat 5 TM 植被覆盖度单窗算法热岛效应城市绿化城市地域的景观格局变化在不同尺度上对生态系统的结构与功能产生影响,其中植被覆盖情况是衡量区域地表温度（Land Surface Temperature,简称LST）的重要指标之一[1]。

由于植被光合作用能够减弱太阳辐射热效应,因此植被覆盖能够有效降低地表温度。

植被覆盖度（fegetation fraction,简称Fv）与LST间的关系一直是城市热岛（Urban Heat Island,以下简称UHI）研究的热点[1]。

TM数据是目前环境研究中应用最多的卫星热红外遥感数据之一[2]。

本文采用覃志豪[3]等提出的针对TM6地温反演的单窗算法,同时,利用归一化植被指数（NDVI）得到的Fv,对郑州市UHI的分布与城市绿化关系做初步探索研究,为郑州市环境监测评价、城市规划等提供借鉴。

1、研究区域介绍及数据源1.1 研究区域概况郑州市位于东经113°26’-113°51’和北纬34°35’-34°57’之间,属暖温带大陆性气候,四季分明,年平均气温14.4°C;7月最热,平均27.3°C;1月最冷,平均0.2°C;年平均降雨量640.9毫米。

平均海拔110.4m,地势是西部高,东部低。

1.2 数据源本文采用的Lansat5 TM影像从国际科学数据服务平台pC6=τε (2)D6=(1-τ)[1+τ(1-ε)] (3)T6为TM6的亮度温度(℃);Ta为大气平均作用温度（℃）;τ为大气透过率;ε为地表辐射率;a6、b6为常量,一般情况下（地表温度在0-70℃之间）,a6=-67.355351,b6=0.458606;C6和D6是中间变量,分别通过(2)、(3)式表示。

第49卷第1期2021年1月河海大学学报(自然科学版)Journal of Hohai University(Natural Sciences)Vol.49No.1Jan.2021DOI :10.3876/j.issn.10001980.2021.01.008 基金项目:国家重点研发计划(2018YFC0407903);国家自然科学基金青年科学基金(41701487);国家自然科学基金(42071346);中央高校基本科研业务费专项(2019B02714)作者简介:潘鑫(1989 ),男,副教授,博士,主要从事定量遥感研究㊂E⁃mail:px1013@通信作者:杨英宝,教授㊂E⁃mail:yyb@引用本文:潘鑫,杨子,杨英宝,等.基于高分六号卫星遥感影像的太湖叶绿素a 质量浓度反演[J].河海大学学报(自然科学版),2021,49(1):50⁃56.PAN Xin,YANG Zi,YANG Yingbao,et al.Mass concentration inversion analysis of chlorophyll a in Taihu Lake based on GF⁃6satellite data [J].Journal of Hohai University(Natural Sciences),2021,49(1):50⁃56.基于高分六号卫星遥感影像的太湖叶绿素a 质量浓度反演潘　鑫,杨　子,杨英宝,孙怡璇,孙浦韬,李藤藤(河海大学地球科学与工程学院,江苏南京　211100)摘要:针对太湖叶绿素a 浓度反演大多采用低中分辨率遥感数据,缺少基于高分辨率遥感数据研究的现状,采用高分六号卫星遥感影像,运用波段比值模型㊁归一化差异叶绿素指数(NDCI )模型和三波段模型定量反演了太湖蓝藻的叶绿素a 质量浓度,并采用2018年10月28日㊁2019年4月6日和2019年6月3日的高分六号卫星遥感影像对3种模型的反演精度进行了验证㊂结果表明,采用NDCI 模型的平均相对误差㊁均方根误差和平均绝对误差最小,NDCI 模型具有更好的精度和稳定性,更适合高分六号卫星遥感影像在太湖叶绿素a 质量浓度反演方面的应用㊂关键词:叶绿素a 质量浓度;高分六号卫星;遥感反演方法:太湖中图分类号:P237 文献标志码:A 文章编号:10001980(2021)01005007Mass concentration inversion analysis of chlorophyll a in Taihu Lake based on GF⁃6satellite dataPAN Xin ,YANG Zi ,YANG Yingbao ,SUN Yixuan ,SUN Putao ,LI Tengteng (School of Earth Science and Engineering ,Hohai University ,Nanjing 211100,China )Abstract :Low resolution satellite imageries are mostly used in the mass concentration inversion analysis of chlorophyll a in Taihu Lake,with insufficient high resolution satellite images.Based on the GF⁃6satellite data,this study quantitatively retrieved the mass concentration of chlorophyll a in Taihu Lake with the band ratio (TBR)model,the normalized difference index of chlorophyll (NDCI)model and the three⁃band semi⁃analysis(TBS)model.The inversion accuracy of the three models was verified by using the GF⁃6satellite image data on October 28,2018,April 6,2019,and June 3,2019.The results show that the average relative error,root mean square error and mean absolute error of the NDCI model are the minimum.Therefore,the NDCI model has better accuracy and stability,and is more suitable for the application of GF⁃6satellite in the inversion of chlorophyll a mass concentration in Taihu Lake.Key words :mass concentration of chlorophyll a;GF⁃6satellite;remote⁃sensing inversion method;Taihu Lake目前国内外使用较多的叶绿素a 浓度反演模型主要有3种:经验模型㊁生物光学模型以及半经验/半分析模型,3种模型各有其优势及局限性㊂祝令亚[1]以太湖为研究区,采用MODIS 数据,用波段组合算法建立了叶绿素a 浓度的反演模型㊂温新龙等[2]以太湖为例,基于环境一号卫星CCD 数据,利用波段组合算法,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叶绿素a 浓度反演效果㊂朱利等[3]基于环境一号卫星多光谱数据,建立了分地区季节经验模型反演叶绿素a 浓度㊂李旭文等[4]基于Landsat TM 数据和地表实测数据建立了经验模型,并对梅梁湖区蓝藻生物量进行了估算,证明叶绿素a 浓度和DVI(差异植被指数)的相关性较高㊂李素菊等[5]基于波段比值(the band ratio,TBR)模型及一阶微分模型进行了巢湖流域浮游植物叶绿素含量和反射率光谱特征关系的研究㊂李铜基等[6]基于数理统计方法,结合实测数据,建立了以色素质量浓度0.7mg /m 3为分界点时地表反射率与叶绿素a 浓度的关系㊂段洪涛15第1期潘　鑫,等　基于高分六号卫星遥感影像的太湖叶绿素a质量浓度反演等[7]以查干湖区域为研究区,基于叶绿素荧光峰(700nm)和叶绿素吸收峰(670nm)的反射率比值与叶绿素a 浓度的对数关系建立了使用高光谱数据的经验回归模型㊂刘忠华[8]基于单波段叶绿素a浓度模型对太湖流域西部进行了研究,表明叶绿素a浓度在712nm波长处与地表反射率的相关性最强㊂关于单波段模型, Rundquist等[9]基于对大量实测数据的研究,认为叶绿素a浓度在690nm波长处与地表反射率的相关性较高㊂赵碧云等[10]基于不同波段反射率与叶绿素a浓度的相关性建立了针对TM遥感数据的叶绿素a水质反演模型,并研究了滇池流域的水质,证明TBR模型可以消除部分大气对反演结果的影响,一定程度提高了反演精度㊂上述研究表明,经验模型局部反演精度较高,且模型构建方法简单,但实测数据的质量对其反演结果影响较大,在不同空间和时间尺度的适用性不强㊂在叶绿素a浓度的生物光学模型研究中,Gordon等[11]提出了具有代表性的生物光学模型基本公式,但该模型中的各部分参数定量表征复杂;李云梅等[12]等建立了基于模拟数据的生物光学模型,并且成功进行了太湖流域的叶绿素a浓度反演;Lee等[13]提出了QAA(quasi⁃analytical algorithm),主要应用于二类水体叶绿素a浓度的估算㊂Li等[14]则提出了叶绿素a浓度反演分析IIMIW模型㊂生物光学模型的参数受到水体组成成分的影响较大,在时间和空间尺度上的普适性同样有待提高㊂Dall’Olmo等[15]提出了基于半经验/半分析模型的三波段(three band semi⁃analysis,TBS)模型,Le等[16]研究表明,近红外波段吸收系数受浑浊水域悬浮物浓度的影响,须引入第4个波段以消除悬浮物浓度造成的影响,并将三波段算法发展成为四波段模型㊂黄昌春等[17]利用具有较大时空差异性的水体组分和光学特性数据集对现有叶绿素a浓度的半分析模型和生物光学模型进行了检验,三㊁四波段模型总体反演精度高㊂徐祎凡等[18]以太湖为研究区,利用TBS算法构建了基于地球静止海洋彩色成像仪数据(GOCI)的太湖叶绿素a浓度反演模型㊂Zhang等[19]在研究中指出,季节变化会引起水体组分变化,导致算法具有局限性,提出了一种软分类方法对常用的半分析模型进行了实验,通过分类来提高反演精度㊂目前叶绿素a浓度遥感反演大多基于中低分辨率遥感数据,精度有待提高㊂本文采用我国首颗具有红边波段的高分六号(GF⁃6)卫星遥感影像进行了太湖流域叶绿素a质量浓度反演研究,并进行了不同反演模型的精度分析,以寻求基于高分六号卫星遥感影像反演叶绿素a质量浓度的最佳模型㊂1　叶绿素a质量浓度反演方法简介本文选用基于经验模型和半经验/半分析模型进行叶绿素a质量浓度的反演㊂基于经验模型的叶绿素a质量浓度反演模型有TBR模型和归一化差异叶绿素指数(normalized differential chlorophyll index,NDCI)模型,基于半经验/半分析模型的叶绿素a质量浓度反演模型有TBS模型,3种模型计算公式分别为(1)ρ(Chl⁃a)=A+B R a Rbρ(Chl⁃a)=A+B R c-R dR c+R d(2)(R-1e-R-1f)R g∝ρ(Chl⁃a)(3)式中:ρ(Chl⁃a) 叶绿素a质量浓度;A㊁B 常数;R a㊁R b㊁R c㊁R d㊁R e㊁R f㊁R g 参与计算的遥感反射率㊂为了评价叶绿素a质量浓度反演模型的精度,采用平均值偏差(DMC)㊁标准差偏差(DSD)㊁平均绝对误差(AE)㊁平均相对误差(MRE)㊁均方根误差(RMSE)为精度评价指标㊂2　研究区概况和研究数据2.1　研究区概况太湖流域的地理位置为30°55′40″N~31°32′58″N㊁119°52′32″E~120°36′10″E,属于亚热带季风气候区,降水充足,年平均降水量1177mm,多年平均天然年径流量160.1亿m3㊂太湖流域的地形特点为四周高㊁中间低㊁西部高㊁沿海的东部地区低㊂太湖流域河网密布,湖泊众多,总面积大于0.5km2的湖泊共计189个,其中太湖富营养化最严重的地区是梅梁湾[20]㊂这些湖泊可以调节河川径流,同时具有灌溉等多种功能,丰富的湖泊资源成为太湖流域社会经济发展的基础条件㊂太湖是太湖流域内面积最大的湖泊,是我国第二大淡水湖,面积2338km2,多年平均蓄水量44.28亿m3㊂2.2　研究数据2.2.1　高分六号卫星遥感影像高分六号卫星是我国高分专项系列中发射的第一颗具有红边波段的国产卫星[21],于2018年6月2日在酒河海大学学报(自然科学版)第49卷泉卫星发射中心成功发射并入轨运行,属于太阳同步卫星,其轨道高度为645km㊂高分六号卫星搭载了2台全色多光谱相机㊁4台多光谱相机,有8个波段,空间分辨率为16m㊂相对于高分系列的其他卫星,高分六号卫星新增了4个波段,其中有2个红边波段㊁1个紫光波段和1个黄光波段㊂红边波段更有利于利用植物的 陡坡效应”,可以有效地监测植被信息,适合于环境监测以及植被监测,在水体富营养程度方面的监测还有待研究㊂本文采用的遥感数据是高分六号卫星宽幅传感器获取的太湖地区2018年10月28日㊁2019年4月6日和2019年6月3日的3幅影像,图像像素大小为16m×16m,为经过预处理的L1A 级数据㊂高分六号卫星遥感影像的预处理主要包括传感器校正和大气校正两个过程㊂传感器校正又被称作辐射定标过程,其目的主要是消除传感器自身在遥感影像中造成的误差,这一步只是得到比较准确的大气顶层的辐射亮度,因为地表反射的太阳辐射在经过大气传输后仍然会有所改变,因此还需要进行大气校正㊂经过大气校正后的反射率误差很小,可用于叶绿素a 质量浓度的反演㊂2.2.2　实测数据实测数据包括1期24个采样点的叶绿素a 质量浓度和实测水面光谱反射率,以及5个自动监测站的3期叶绿素a 质量浓度数据㊂24个采样点的采样日期为2018年4月25 26日;3期自动监测站的采样日期分别为2018年10月28日㊁2019年4月6日和2019年6月3日,监测站分别为大雷山㊁漫山㊁西山西㊁焦山和漾西岗㊂实测的样点数据被分成两个部分:第一部分使用具有实测水面光谱反射率以及叶绿素a 质量浓度的采样点数据,用来建立叶绿素a 质量浓度计算模型,称为建模数据,共计24个;第二部分使用不具备实测水面光谱反射率,只包含叶绿素a 质量浓度的样点数据,用来检验模型的反演精度,称为检验数据,共计15个㊂a.叶绿素a 质量浓度测定㊂采用分光光度法在实验室中测定,对采集的水样使用GF /C 滤膜过滤,将抽滤水样的体积记为V 1㊂然后将滤膜放到冰箱中冷冻,48h 后取出,再用热乙醇萃取,后在岛津UV2401分光光度计上测定665nm 和750nm 处吸光度,并计算2个吸光度的差A 1,再加入稀盐酸酸化测定酸化后的提取液在665nm 和750nm 处的吸光度差A 2,提取液的最终定容体积记为V 2,根据下式换算得到叶绿素a 质量浓度:ρ(Chl⁃a)=27.9(A 1-A 2)V 2V 1(4)图1　太湖水体实测反射率光谱曲线Fig.1　Measured reflectance spectral curve of Taihu Lake water b.水体光谱采集㊂采用ASDHandHeld2便携式地物光谱仪采集太湖清洁水体和蓝藻水华水面光谱㊂光谱范围为350~1075nm,光谱分辨率为1nm㊂光谱采集过程中仪器距离水面约1m,采用倾斜测量的方式进行[22],获得的实测水面反射率光谱曲线见图1㊂3　反演模型的构建与精度评价3.1　高分六号卫星的波段模拟实测反射率采样当天没有高分六号卫星过境,所以只能进行波段模拟,通过模拟波段反射率来建立卫星反射率和叶绿素a 质量浓度之间的相关关系㊂高分六号卫星传感器有8个波段,波段范围为450~890nm,在对高分六号卫星进行叶绿素a 敏感波段分析的过程中,无法直接用实测遥感反射率(R rs )与高分六号卫星遥感反射率(R GF ⁃6)进行替换㊂因此,需要根据高分六号卫星的光谱响应函数,先对实测遥感反射率做波段等效,波段等效计算公式为R mea2=∑910nm λ=450nm R rs λf λ∑910nm λ=450nm f λ(5)式中:λ 波长;R rs λ 波长λ处的遥感反射率;f λ 波长λ处的高分六号卫星的光谱响应函数;25第1期潘　鑫,等　基于高分六号卫星遥感影像的太湖叶绿素a质量浓度反演图2　高分六号卫星光谱响应函数曲线Fig.2　Spectral response function curve of GF⁃6satellite 图3　高分六号卫星模拟波段反射率Fig.3　Simulated band reflectance ofGF⁃6satellite 450nm㊁910nm 高分六号卫星最短㊁最长波长㊂高分六号卫星的光谱响应函数如图2所示(图中B1~B8分别表示高分六号卫星的8个波段)㊂根据高分六号卫星的光谱响应函数建立的实测数据等效波段反射率如3所示㊂与图1太湖水体的实测反射率光谱曲线进行比较,高分六号卫星在550nm 与700nm 附近出现反射率的峰值,其对应的波段为B2与B5,实测反射率的峰值出现在560nm 以及710nm附近,分别处于B2波段和B5波段的范围内㊂高分六号卫星在660nm 处出现反射率吸收峰,对应的波段为B3波段,实测反射率的吸收峰出现在670nm 附近,处于B3波段范围内,可见,高分六号卫星模拟波段的反射率特征和实测波段的反射率特征一致,可以替代实测数据反射率进行敏感波段的选择㊂3.2　反演模型构建3.2.1　TBR 模型采用24组实测叶绿素a 质量浓度数据和对应采样点的光谱数据来选择TBR 模型最佳波段,将卫星波段范围内每个等效波段的反射率分别除以其余所有等效波段的反射率,用得到的比值与叶绿素a 质量浓度计算相关系数,取相关性最大的2个波段作为最佳波段,求得高分六号卫星的最佳波段为B2(波段1)和B5(波段2)㊂高分六号卫星的TBR 指数与叶绿素a 质量浓度的关系见图4(图中TBR 指数表示高分六号卫星第2波段和第5波段反射率的比值)㊂3.2.2　NDCI 模型NDCI 模型最佳波段选择方法同TBR 模型,得到高分六号卫星的最佳波段为B2(波段1)和B5(波段2)㊂高分六号卫星的NDCI 指数与叶绿素a 质量浓度的关系见图5(图中NDCI 指数表示高分六号卫星第2波段和第5波段反射率之差除以二者之和)㊂3.2.3　TBS 模型采用24组实测的叶绿素a 质量浓度数据和对应采样点的光谱数据来选择TBS 模型最佳波段,按照最优波段选择的方法,将实测的水面光谱反射率替换成高分六号卫星的模拟波段,求得高分六号卫星的最佳波段为B3(波段1)㊁B6(波段2)和B2(波段3)㊂高分六号卫星TBS 指数与叶绿素a 质量浓度的关系如图6所示㊂图4　高分六号卫星TBR 指数与叶绿素a 质量浓度的关系Fig.4　Relation between TBR index and chlorophyll a mass concentration ofGF⁃6satellite 图6　高分六号卫星TBS 指数与叶绿素a 质量浓度的关系Fig.6　Relation diagram of TBS index and chlorophyll a concentration of GF⁃6satellite 图5　高分六号卫星NDCI 指数与叶绿素a 质量浓度的关系Fig.5　Relation diagram of NDCI indexand chlorophyll a mass concentration of GF⁃6satellite TBS 指数计算公式为35河海大学学报(自然科学版)第49卷I TBS =1εB3-1ε()B6εB2(6)式中:I TBS TBS 指数值;εB2㊁εB3㊁εB6 高分六号卫星第2㊁3㊁6波段的反射率㊂3.3　反演结果的定性比较选取2019年4月6日高分六号卫星遥感影像,采用3种模型来进行太湖叶绿素a 质量浓度的反演,影像的假彩色合成和3种模型提取的叶绿素a 质量浓度分布如图7所示㊂从图7可以看出,太湖中叶绿素a 质量浓度较高的区域一般分布在南部沿岸区㊁竺山湖与西部沿岸区的交界处和东太湖㊂其中NDCI 模型和TBR 模型叶绿素a 质量浓度反演的结果比较相似,而在南部沿海岸区TBS 模型反演的高质量浓度叶绿素a 的量要比NDCI 模型和TBR 模型多㊂图7　太湖叶绿素a 质量浓度的分布(单位:mg /m 3)Fig.7　Distribution of chlorophyll a mass concentration in Taihu Lake (units :mg /m 3)3.4　高分六号卫星和MODIS 遥感影像反演结果对比表1　高分六号卫星与MODIS 遥感影像反演精度对比Table 1　Inversion precision comparison between GF⁃6satellite and MODIS data 遥感影像模型DMC /%DSD /%AE /(mg㊃m -3)MRE /%RMSE /(mg㊃m -3)GF⁃6TBR 44.0020.11 2.5123.37 3.68NDCI35.2144.92 2.4522.27 2.99MODIS TBR 84.2061.78 6.4084.00 6.47NDCI 69.8165.30 4.0952.41 4.50 基于MODIS 的2019年4月6日的遥感影像,采用TBR㊁NDCI 模型进行太湖叶绿素a 质量浓度的反演,继而与高分六号卫星的反演结果进行对比,结果见表1和图8㊂从图8可以看出,MODIS 遥感影像反演的叶绿素a 质量浓度整体偏低㊂从表1可以看出,MODIS 遥感影像反演的叶绿素a 质量浓度的DMC㊁DSD㊁AE㊁MRE㊁RMSE均要大于高分六号卫星遥感影像的反演值,因此采用高分六号卫星遥感影像反演叶绿素a 质量浓度是可靠的㊂图8　高分六号卫星与MODIS 遥感影像反演结果对比(单位:mg /m 3)Fig.8　Comparison of inversion results between GF⁃6satellite and MODIS Data (units :mg /m 3)表2　高分六号卫星遥感影像反演叶绿素a 质量浓度的精度Table 2　Inversion accuracy of chlorophyll a massconcentration from GF⁃6satellite image模型DMC /%DSD /%AE /(mg㊃m -3)MRE /%RMSE /(mg㊃m -3)TBR 14.1843.37 4.8038.168.00NDCI 5.1943.86 4.6435.287.47TBS 4.2743.57 6.0967.997.853.5　反演模型精度评价未参与建模的样点数(检验数据)有15个,去除影像因薄云影响的5个数据,实际参与检验的数据为10个㊂采用3幅高分六号卫星遥感影像对3种反演模型进行精度评价,结果见表2㊂由表2可见,TBS 模型的DMC 为4.27%,效果最好,NDCI 模型的DMC 为5.19%,略低于TBS45第1期潘　鑫,等　基于高分六号卫星遥感影像的太湖叶绿素a质量浓度反演模型,TBR模型的DMC为14.18%,说明TBR模型反演的叶绿素a质量浓度的平均值与实测的叶绿素a质量浓度的平均值误差较大㊂DSD则是TBR模型较好,TBS模型次之,NDCI模型最差,3种模型的DSD均在43%~44%范围内,相差不到1%,说明3种模型反演结果的分布较为接近㊂TBR㊁NDCI㊁TBS模型的MRE 分别为38.16%㊁35.28%和67.99%,说明TBR模型和NDCI模型的反演结果较好,TBS模型反演效果较差㊂表3为高分六号卫星3幅验证遥感影像反演结果的AE和MRE平均绝对误差统计表㊂可以看出,在3种模型中,验证样点最大MRE为86.76%,出现在TBS模型采用2019年6月3日卫星遥感影像的反演结果中;最小MRE为22.27%,出现在NDCI模型采用2019年4月6日卫星遥感影像的反演结果中㊂表3　3幅高分六号卫星遥感影像反演结果的AE和MRETable3　Statistical table of AE and MRE of three GF⁃6satellite images遥感影像日期AE/(mg㊃m-3)MRE/%TBR模型NDCI模型TBS模型TBR模型NDCI模型TBS模型2018年10月28日 2.86 2.79 3.7641.8339.2056.59 2019年4月6日 2.51 2.45 4.3523.3722.2760.64 2019年6月3日 6.02 5.677.1749.3044.3586.76综合3幅遥感影像反演的平均结果来看,最大MRE和最大AE均出现在TBS模型中,最小MRE和最小AE出现在NDCI模型中㊂TBS模型的MRE均超过了50%,反演结果较差㊂TBS模型对太湖地区的叶绿素a 质量浓度预测值偏高,可能是太湖地区复杂的水质情况导致TBS模型的精度较差㊂对2019年6月3日的卫星遥感影像反演结果进行分析,3种模型的MRE均超过了40%,AE均超过5mg/m3,NDCI模型的结果比其他两个模型效果稍好,但也较为一般㊂这可能因为实测叶绿素a质量浓度数据都低于15mg/m3的限制,所以本文建立的模型可能更适用于叶绿素a低质量浓度的反演㊂对于2018年10月28的卫星遥感影像,TBR和NDCI模型的MRE小于TBS模型㊂对2019年4月6日的卫星遥感影像,TBR与NDCI模型反演结果的MRE 接近,反演结果较为可靠㊂4　结 论a.TBR模型与NDCI模型的最佳波段为第2波段和第5波段,TBS模型的最佳波段为第2波段㊁第3波段和第6波段㊂b.3种模型中,NDCI模型的MRE㊁AE和RMSE均最小,基于高分六号卫星第2波段和第5波段构建的NDCI模型比其他模型具有更好的精度和稳定性,更适用于高分六号卫星遥感影像在太湖叶绿素a质量浓度反演方面的应用㊂参考文献:[1]祝令亚.湖泊水质遥感监测与评价方法研究[D].北京:中国科学院遥感应用研究所,2006.[2]温新龙,景元书,李亚春,等.基于环境一号卫星数据的太湖叶绿素a浓度反演[J].环境科学与技术,2014,37(10):149⁃153.(WEN Xinlong,JING Yuanshu,LI Yachun,et al.Quantitative estimation of chlorophyll⁃a concentration in Lake Taihu based on HJ⁃1satellite images[J].Environmental Science&Technology,2014,37(10):149⁃153.(in Chinese)) [3]朱利,姚延娟,吴传庆.基于环境一号卫星的内陆水体水质多光谱遥感监测[J].地理与地理信息科学,2010,26(2):81⁃84.(ZHU Li,YAO Yanjuan,WU Chuanqing.Remote sensing monitoring on water quality of interior water body based on the HJ⁃1satellite multi⁃spectral data[J].Geography and Geo⁃Information Science,2010,26(2):81⁃84.(in Chinese))[4]李旭文,季耿善,杨静.太湖梅梁湖湾蓝藻生物量遥感估算[J].国土资源遥感,1995(2):23⁃28.(LI Xuwen,JI Gengshan,YANG Jing.Estimating cyanophyta biomass standing crops in Meiliang Gulf of Lake Taihu by satellite remote sensing[J].Remote Sensing for Land&Resources,1995(2):23⁃28.(in Chinese))[5]李素菊,吴倩,王学军,等.巢湖浮游植物叶绿素含量与反射光谱特征的关系[J].湖泊科学,2002(3):228⁃234.(LISuju,WU Qian,WANG Xuejun,et al.Relationship between chlorophyll content and reflectance spectral characteristics of phytoplankton in Chaohu Lake[J].Journal of Lake Sciences,2002(3):228⁃234.(in Chinese))[6]李铜基,陈清莲,朱建华,等.黄东海秋季色素经验算法研究[J].海洋技术,2004(4):113⁃116.(LI Tongji,CHENQinglian,ZHU Jianhua,et al.Chlorophyll empirical algorithm of Yellow Sea and the East China Sea in autumn[J].Marine Technology,2004(4):113⁃116.(in Chinese))5565河海大学学报(自然科学版)第49卷[7]段洪涛,张柏,宋开山,等.查干湖叶绿素a浓度高光谱定量模型研究[J].环境科学,2006(3):3503⁃3507.(DUANHongtao,ZHANG Bai,SONG Kaishan,et al.Hyperspectral remote sensing of chlorophyll⁃a in the Chagan Lake,China[J].Environmental Science,2006(3):3503⁃3507.(in Chinese))[8]刘忠华.基于高分数据的太湖重点污染入湖河流叶绿素a浓度遥感反演[D].南京:南京师范大学,2012.[9]RUNDQUIST D C,HAN L,SCHALLES J F,et al.Remote measurement of algal chlorophyll in surface waters:the case for thefirst derivative of reflectance near690nm[J].Photogrammetric Engineering and Remote Sensing,1996,62(2):195⁃200. [10]赵碧云,贺彬,朱云燕,等.滇池水体中叶绿素a含量的遥感定量模型[J].云南环境科学,2001(3):1⁃3.(ZHAO Biyun,HE Bin,ZHU Yunyan,et al.Study on the remote sensing model for chlorophyll⁃a in Dianchi Lake[J].Yunnan Environmental Science,2001(3):1⁃3.(in Chinese))[11]GORDON H R,BROWN J W,BROWN O B,et al.A semianalytic radiance model of ocean color[J].Journal of GeophysicalResearch Atmospheres,1988,93(10):10909⁃10924.[12]李云梅,黄家柱,韦玉春,等.用分析模型方法反演水体叶绿素的浓度[J].遥感学报,2006(2):169⁃175.(LI Yunmei,HUANG Jiazhu,WEI Yuchun,et al.Inversing chlorophyll concentration of Taihu Lake by analytic model[J].Journal of Remote Sensing,2006(2):169⁃175.(in Chinese))[13]LEE Z,CARDER K L,ARNONE R A.Deriving inherent optical properties fromwater color:a multiband quasi⁃analytical algorithmfor optically deep waters[J].Applied Optics,2002,41(27):5755⁃5772.[14]LI L,SONG K,LI Y,et al.An inversion model forderiving inherent optical properties of inland waters:establishment,validationandapplication[J].Remote Sensing of Environment,2013,135(4):150⁃166.[15]DALL’OLMO G,GITELSON A A.Effect of bio⁃optical parameter variability on the remote estimation of chlorophyll⁃aconcentration in turbid productive waters:experimental results[J].Applied Optics,2005,44(3):412⁃22.[16]LE Chengfeng,LI Yunmei,ZHA Yong,et al.A four⁃band semi⁃analytical model for estimating chlorophyll a in highly turbidlakes:the case of Taihu Lake,China[J].Remote Sensing of Environment,2009,113(6):1175⁃1182.[17]黄昌春,李云梅,徐良将,等.内陆水体叶绿素反演模型普适性及其影响因素研究[J].环境科学,2013,34(2):525⁃531.(HUANG Changchun,LI Yunmei,XU Liangjiang,et al.Study on influencing factors and universality of chlorophyll⁃a retrieval model in inland water body[J].Environmental Science,2013,34(2):525⁃531.(in Chinese))[18]徐祎凡,陈黎明,陈炼钢,等.基于GOCI数据的暴雨后太湖水体叶绿素a浓度遥感反演研究[J].水利水电技术,2020,51(10):151⁃158.(XU Yifan,CHEN Liming,CHEN Liangang,et al.High temporal resolution remote monitoring of chlorophyll aconcentration change after rainstorm based on GOCI data in Lake Taihu[J].Water Resources and Hydropower Engineering, 2020,51(10):151⁃158.(in Chinese))[19]ZHANG F,LI J,SEHN Q,et al.Algorithms and chemes for chlorophyll⁃a estimation by remote sensing and optical classificationfor turbid lake Taihu,China[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2015,8(1):350⁃364.[20]马孟枭.基于MODIS影像的太湖蓝藻水华面积高精度计算方法及应用[D].南京:南京大学,2014.[21]王旭. 长征”二号丁运载火箭成功发射 高分”六号卫星[J].中国航天,2018(6):14.(WANG Xu.Long March2DINGcarrier rocket successfully launched GF⁃6satellite[J].China Aerospace Science and Technology,2018(6):14.(in Chinese)) [22]唐军武,田国良,汪小勇,等.水体光谱测量与分析Ⅰ:水面以上测量法[J].遥感学报,2004(1):37⁃44.(TANG Junwu,TIAN Guoliang,WANG Xiaoyong,et al.The mechods of water spectra measurement and analysisⅠ:above water measurement [J].Journal of Remote Sensing,2004(1):37⁃44.(in Chinese))(收稿日期:20201106　编辑:熊水斌)。

基于光谱分层的浅海水深遥感反演方法1. 引言浅海水深是海洋环境的重要指标之一，它不仅影响着海洋生物的分布和生长，还对海洋工程和资源的开发利用具有重要意义。

准确快速地获取浅海水深信息对于海洋研究和利用具有重要意义。

传统的获取浅海水深信息的方法主要是通过水下测深仪进行地面观测，这种方法存在着工作效率低、成本高、受天气影响大等问题。

而基于光谱分层的浅海水深遥感反演方法则可以通过卫星遥感技术实现对海洋水深的快速准确获取，因此备受关注。

2. 基本原理在浅海水域中，水体的吸收、散射和反射作用对光的传播具有重要影响。

水深的不同会导致光在水体中的传播方式和路径发生变化，不同深度的水体对应着不同的光谱特征。

基于光谱分层的浅海水深遥感反演方法利用了这一原理，通过分析水体的光学特性，可以间接推算出水深信息。

3. 数据获取和处理为了实现基于光谱分层的浅海水深遥感反演，首先需要获取海洋的遥感图像数据。

目前，卫星遥感技术已经能够提供高分辨率、多光谱的遥感图像数据，这为浅海水深遥感反演提供了坚实的数据基础。

需要对获取的遥感图像数据进行预处理和特征提取，以获得水体的光学特性信息。

4. 算法模型基于光谱分层的浅海水深遥感反演方法主要依靠遥感图像的光学特性参数和数学模型进行水深反演。

目前，常用的算法模型包括改进的水深反演模型、颗粒摩尼模型等。

这些模型着重于分析水体的反射率、透明度等光学特性参数，通过建立水深与光学特性参数之间的定量关系，实现了对水深的定量估算。

5. 应用与展望基于光谱分层的浅海水深遥感反演方法已经被成功应用于浅海水深的遥感监测与研究中，并取得了一定的成果。

随着遥感技术的不断发展和完善，基于光谱分层的浅海水深遥感反演方法将进一步提高反演水体精度和时效性。

未来，我们可以期待该方法在海洋资源开发、海洋环境监测等领域发挥更大的作用。

6. 个人观点基于光谱分层的浅海水深遥感反演方法作为一种新兴的水深遥感技术，具有很大的应用潜力。

水体参数的遥感反演实验步骤目标本实验旨在通过遥感技术，反演水体参数，为水环境管理和水生态保护提供科学依据。

通过具体步骤的阐述，揭示遥感反演水体参数的过程，并展示其可行性和优势。

步骤1. 数据采集遥感数据的采集是实验的第一步。

这一阶段，我们需要选择合适的卫星传感器，如Landsat、Sentinel等，以获取水体在不同波段的光谱信息。

此外，还需获取水体的地理位置、形状、水深等辅助信息。

2. 数据预处理原始遥感数据需要进行一系列的预处理，包括辐射定标、大气校正、地形校正等，以消除噪声和其他干扰因素。

这一步骤是遥感数据处理的关键环节，可以有效提高数据的质量和准确性。

3. 特征提取在预处理的数据中，我们需要提取与水体参数相关的特征。

这些特征可能包括水体的颜色、纹理、形状等。

通过运用机器学习算法，从预处理的数据中挖掘出这些特征，为后续的反演提供依据。

4. 模型构建与训练利用提取的特征和已知的水体参数，构建并训练预测模型。

常用的模型包括支持向量机（SVM）、随机森林（RF）、神经网络等。

通过交叉验证等技术，评估模型的性能，并对模型进行优化，以提高预测精度。

5. 水体参数反演利用训练好的模型和实时获取的遥感数据，对水体参数进行反演。

这一步骤将遥感数据转化为具有实际意义的水体参数，为水环境管理和保护提供科学依据。

实例支持以某湖泊为例，我们通过Landsat 8卫星获取了湖泊在不同波段的光谱信息。

经过预处理和特征提取，我们发现湖泊的水色与波段4（红色光）和波段5（近红外光）的反射率具有显著相关性。

进一步地，我们利用支持向量机模型，以水色为特征，成功预测了湖泊的叶绿素浓度、悬浮物浓度等关键水体参数。

预测结果与实际监测数据具有高度一致性，证明了遥感反演水体参数的可行性和实用性。

看法与能力展现通过本次实验，我们认识到遥感技术在反演水体参数方面的优势。

遥感数据具有覆盖范围广、获取方便、时效性强等特点，使得我们可以快速、准确地获取水体参数信息。

基于人工神经网络技术的多光谱遥感水深反演研究——以南海岛礁为例发布时间：2021-11-09T08:24:43.383Z 来源：《中国科技人才》2021年第23期作者：郑健1 文明2 陈鹏3 玉秋明4 [导读] 水深是保障船舶航行、开展港口码头和海洋工程建设、制定海岸和海岛规划的必要基础数据。

广西壮族自治区遥感中心广西南宁 530023摘要：利用多光谱遥感数据中的光谱特征与水深之间存在相关性，利用已知水深基准点，结合遥感影像成像时刻潮高，制作反演样本点，建立光谱特征因子与水深的非线性相关回归模型，由点及面，实现浅海水深反演。

本文依托中国自然资源航空物探遥感中心二级项目《南海重点区遥感综合调查及关键技术与标准研究》，从遥感影像光谱特征入手，通过神经网络模型获取光谱波段及波段组合等因素与水深的映射关系，映射关系隐藏在训练后的神经网络模型当中，将研究区光谱特征因子输入该模型中，得到研究区水深数据。

研究表明，利用人工神经网络技术的多光谱遥感反演中国南海岛礁周边浅海水深的方法有效可行。

关键词：人工神经网络；多光谱遥感；水深反演；南海岛礁1、引言水深是保障船舶航行、开展港口码头和海洋工程建设、制定海岸和海岛规划的必要基础数据。

浅海是集中了岛礁、浅滩等碍航危险物较多的海区，浅海水深测量对于保障船舶航运安全具有重要的意义。

常见的水深测量方法是利用安装在测量船上的测深设备和定位设备直接进行测量，需要测量船按计划测量航线在测量海区上进行航行，对于存在暗礁的危险海区、存在主权争议或被他国非法侵占的岛礁附近海区，往往无法完成水深测量工作。

随着我国海洋卫星技术的进步和发展，使用遥感观测海洋信息的能力得到增强，利用遥感数据进行海洋信息提取与要素定量反演逐渐成为新的研究课题。

发展基于卫星遥感信息平台的水深反演技术，并将其应用于获取存在危险或争议的浅水海区的水深已成为一种新颖的水深测量手段，对于航运安全，海洋开发，军事部署等具有重要意义。

基于光谱分层的浅海水深遥感反演方法浅海水深遥感反演是海洋遥感领域的重要研究方向之一。

为了有效地获取浅海区域的水深信息，采用光谱分层的方法可以提高遥感反演的精度和可靠性。

本文将介绍一种基于光谱分层的浅海水深遥感反演方法。

首先，我们需要了解什么是浅海水深遥感反演。

浅海区域通常是指水深在几十米到几百米范围内的地区，这些地区的海底地形复杂多变，传统的测深方法难以实施。

因此，利用遥感技术从航空或卫星平台上获取浅海区域的水深信息成为一种重要的手段。

浅海水深遥感反演方法就是通过遥感影像中的相关信息，推算出浅海区域的水深分布。

光谱分层是一种在遥感反演中常用的方法，它基于水体中不同波段的光谱信息来推断水中的不同成分，进而获得水深信息。

光谱分层的理论基础是光在水体中的吸收和散射特性。

不同波段的光谱反射率与水中的溶解物、悬浮物和藻类等有关，通过分析不同波段的反射率，可以估算出这些成分的浓度，进而推算出水深信息。

在基于光谱分层的浅海水深遥感反演方法中，首先需要获取浅海区域的遥感影像。

这些影像通常包括多个波段的光谱数据，比如可见光、近红外等。

这些数据可以通过卫星遥感平台进行获取，也可以通过无人机等技术获取。

接下来，需要对这些遥感影像进行预处理，包括大气校正、几何校正等。

这些步骤可以提高数据的质量和准确性。

然后，通过光谱分层的方法对遥感影像中的不同波段进行分析。

这一步骤可以使用各种遥感算法和模型来进行，比如基于物理模型的反演方法、统计学方法等。

这些方法可以通过波段之间的关系来推算出水体中的不同成分的浓度，并获得水深信息。

最后，对浅海区域的水深进行反演。

根据遥感影像中的光谱分层结果，可以建立浅海水深与光谱反射率之间的模型，通过模型可以推算出水深的分布。

值得注意的是，不同波段的光谱信息对水深反演的精度和可靠性有着不同的影响。

因此，在进行反演时需要结合多个波段的信息，以提高反演的准确性。

综上所述，基于光谱分层的浅海水深遥感反演方法可以通过分析遥感影像中不同波段的光谱信息，推算出浅海区域的水深分布。

水深遥感反演的方法和技术流程今天咱们来唠唠水深遥感反演这事儿。

一、啥是水深遥感反演。

简单来说呢，就是通过遥感技术，从卫星或者飞机等上面获取的数据，然后推算出海洋或者湖泊的水深情况。

这就像是给水体做个透视眼，不用真的下去测量，就能知道水有多深，是不是很神奇呀？二、方法有哪些。

1. 经验模型法。

这种方法可有趣啦。

它是根据大量的实测水深数据和对应的遥感数据，找出它们之间的规律，然后建立一个数学模型。

就好比你发现每次吃三个冰淇淋，体重就会增加一斤，然后就建立了一个“吃冰淇淋 - 体重增加”的模型一样。

比如说，常用的有线性回归模型，通过找到遥感影像中的光谱信息和实际水深之间的线性关系，来反演水深。

2. 半经验模型法。

这个呢，是在经验模型的基础上，再结合一些物理原理。

它就像是给经验模型穿上了一件科学的小外套。

比如考虑到水体对光的吸收和散射这些物理过程，然后再加上经验数据，让反演的结果更准确。

3. 物理模型法。

这可是个“学霸”级别的方法哦。

它完全基于物理原理，像光在水体中的传播、反射、折射等物理过程。

通过复杂的数学公式来描述这些过程，然后根据遥感观测到的光信息，去反推水深。

不过这个方法难度有点大，就像解超级复杂的数学题一样。

三、技术流程。

1. 数据获取。

首先要拿到遥感数据啦，这些数据可以来自卫星影像，像Landsat卫星的数据就很常用。

还有航空遥感数据，就像是从空中给水体拍个照。

同时呢，也要收集实地测量的水深数据，这是用来做参考和验证的。

2. 数据预处理。

这个步骤就像是给数据洗个澡，让它变得干净整洁。

要对遥感数据进行辐射校正，就好比把照片的颜色调整到正常的样子，还有大气校正，把大气对遥感数据的影响去掉。

对于水深测量数据，也要进行整理和质量控制，把那些不靠谱的数据剔除掉。

3. 选择合适的反演模型。

根据研究区域的特点，比如是清澈的湖水还是浑浊的海水，选择前面说的经验模型、半经验模型或者物理模型。

如果是比较简单的水体环境，经验模型可能就够用了，但如果是复杂的海洋环境，可能就得用物理模型啦。