下载文档原格式
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)。
遥感反演水体悬浮泥沙含量的基本原理
近年来，随着遥感技术的不断发展，遥感反演水体悬浮泥沙含量逐渐成为一项热门研究。
水体悬浮泥沙含量是衡量水质浑浊程度的关键指标，因此对于水资源管理、环境保护和生态保护等方面都有着重要的意义。
遥感反演水体悬浮泥沙含量的基本原理是基于遥感图像获取的水体反射光谱特征，结合修正的比较水体光学特性的模型，通过建立反演模型，实现定量反演。
其中，反演模型的构建是遥感反演技术的核心。
常用的反演模型包括多元线性回归（MLR）、偏最小二乘回归（PLSR）、支持向量机（SVM）等。
这些模型都需要以大量的场样数据为依据，建立起遥感参数与悬浮泥沙含量之间的定量关系，以实现遥感反演水体悬浮泥沙含量的准确性和可靠性。
遥感反演水体悬浮泥沙含量的研究还需要考虑到一些限制因素，例如气象、地形、水色等因素都会对遥感反演水体悬浮泥沙含量的结果产生影响。
为了减少这些影响因素，研究者通常会选择不同时间、不同气象条件下的遥感数据，并且配合其他数据源进行多角度信号融合等方法，提高反演结果的精度。
遥感反演水体悬浮泥沙含量的应用非常广泛，比如在水资源管理方面，可以帮助水库管理者了解水库水质信息，指导水库供水调度；在环境保护方面，可以监测水体污染情况，及时发现环境问题，保障水体生态系统的稳定性。
总之，遥感反演水体悬浮泥沙含量作为一种快速、准确、经济的反演方法，为水资源管理、环境保护及生态保护等领域提供了有益的服务。
未来将随着遥感技术的不断发展，应用范围将更加广泛，反演精度将更加精细，为人类的可持续发展做出更大的贡献。
7.1水体分布提取方法水体分布提取采用最新的改进双峰法进行面向对象的水体分布提取。
改进双峰法主要技术流程如下1)输入数据。
输入经过辐射校正、几何校正和大气校正的遥感反射率或瑞利校正反射率图像。
2)边界膨胀。
对输入数据采样简单阈值分割法进行水体分布粗提取，然后对粗提取水体面积膨胀，膨胀到粗提取边界的2~3倍，将膨胀后的矢量边界作为后续处理的感兴趣区域（ROI）（如下图所示）。
水体分布粗提取后边界膨胀3)阈值选择。
在2)步得到的ROI区域内统计水体指数灰度直方图，并在先验阈值区间内寻找直方图最小值的遥感反射率作为图像分割的阈值（如下图所示，两条红线之间的区域即为先验阈值区间，直方图最小值所在阈值为16500，该值大小等于遥感反射率乘以10000乘以π）。
双峰法直方图阈值选择4)图像分割。
利用3）步获得的阈值对水体指数图像进行图像分割，大于该阈值的像元设为0（陆地），小于该阈值的像元设为1（水体）（如下图左图所示）。
5)最小连通区去除。
图像阈值分割的结果会有很多杂乱的斑点和小的水体，设置最小连通区像元数量N，将小于N个像元的水体像元值设为0，可有效去除图中斑点，只保留研究区水体（如下图右图所示）。
最小连通区去除前后比较7.2水质参数反演方法利用遥感图像反演内陆水质参数需要完成的操作步骤主要有六个，依次是：辐射校正、几何校正、水陆分界、大气校正、水草水华识别和水质参数反演，其流程如下图所示。
水陆分界辐射校正几何校正大气校正水草水华识别水质参数反演(1)(2)(3)(4)(5)(6)原始遥感图像水体掩膜图像遥感反射率图像水草水华分类图水质参数专题图遥感图像反演内陆水质参数的操作流程辐射校正和几何校正是遥感图像处理的通用流程。
水陆分界是水体遥感的特殊操作，用于提取水体研究区域。
根据水体和陆地光谱差异采用阈值分割，计算得到水体掩膜图像，其中水体为1，陆地为0。
大气校正对于水体要素遥感反演至关重要。
水体反射率比较低，遥感器接收的来自水体的信号中很大的部分是来自大气散射，因此利用遥感数据监测水质首先要对遥感图像进行精确的大气校正。
基于GF-1 WFV数据森林叶面积指数估算李晓彤;覃先林;刘树超;孙桂芬;刘倩【摘要】以国产高分一号(GF-1)宽幅数据(wide field of view,WFV)为数据源,采用简单生物圈模型2(simple bio-sphere model2,SiB2)对黑龙江省漠河县森林植被叶面积指数(leaf area index,LAI)进行估算,并与增强植被指数(enhanced vegetation index,EVI)线性模型的估算结果进行对比,结合地面实测LAI数据分别对这2种模型估算结果进行精度评价.结果表明,采用EVI线性模型估算LAI,决定系数R2为0.582,均方根误差(root mean square er-ror,RMSE)为0.701;而采用SiB2模型估算LAI,R2为0.798,RMSE为0.358,均比EVI线性模型有所改善.该研究发现,结合中高空间分辨率的GF-1 WFV数据,SiB2模型更适宜于该研究区森林植被的LAI反演.【期刊名称】《国土资源遥感》【年(卷),期】2019(031)003【总页数】7页(P80-86)【关键词】GF-1WFV数据;SiB2模型;LAI;EVI线性模型【作者】李晓彤;覃先林;刘树超;孙桂芬;刘倩【作者单位】中国林业科学研究院资源信息研究所国家林业局林业遥感与信息技术实验室,北京 100091;中国林业科学研究院资源信息研究所国家林业局林业遥感与信息技术实验室,北京 100091;中国林业科学研究院资源信息研究所国家林业局林业遥感与信息技术实验室,北京 100091;中国林业科学研究院资源信息研究所国家林业局林业遥感与信息技术实验室,北京 100091;中国林业科学研究院资源信息研究所国家林业局林业遥感与信息技术实验室,北京 100091【正文语种】中文【中图分类】TP790 引言叶面积指数(leaf area index，LAI)是指单位绿叶面积在单位地表面积上的总和[1]，是植被结构特征的重要参数，同时也与植被的光合、呼吸和蒸腾作用等重要生理过程密切相关。
使用遥感技术进行湖泊水质监测的方法随着经济发展和人口增加，湖泊水质监测变得尤为重要。
传统的野外采样和实验室分析方法耗时费力，并不能实时监测湖泊的变化。
因此，使用遥感技术进行湖泊水质监测成为一种重要的方法。
本文将探讨遥感技术在湖泊水质监测中的应用，并介绍一些常用的遥感参数。
首先，遥感技术能够提供湖泊的空间分布信息。
卫星遥感可以提供高分辨率图像，用来研究湖泊的水体质量。
可以使用多光谱图像来获取湖泊水体物理和化学参数，如水温、浊度、溶解氧等。
这些参数的空间分布图可以帮助识别湖泊的污染源和热点区域，从而提供针对性的环境保护措施。
另外，遥感技术还能够监测湖泊水体的叶绿素含量。
叶绿素是水中藻类和水生植物的重要生物标记物。
它不仅可以指示湖泊中藻类生长的情况，还可以间接反映水体中的营养盐和有机物质的含量。
通过分析遥感图像中的叶绿素浓度，可以评估湖泊的富营养化程度，并制定适当的管理措施。
此外，监测叶绿素浓度的变化还可以帮助预测湖泊中藻华的发生，及时采取控制措施，保护水体健康。
除了叶绿素，遥感技术还可以用来监测湖泊水体中的悬浮物含量。
湖泊中存在的大量悬浮物会影响水体的透明度和光学特性。
通过分析遥感图像中的反射光谱，可以估算湖泊中悬浮物的浓度。
这为湖泊管理者提供了判断水质状况的重要依据，以制定相应的控制措施。
此外，利用遥感技术还可以监测湖泊水体的温度。
湖泊水温的变化与许多环境因素密切相关，如季节变化、气候变化和污染物排放等。
遥感技术可以提供湖泊水体温度分布的空间图像，有助于研究湖泊的热力特性以及水体混合和循环过程。
这对于预测藻华爆发、湖泊生态系统健康评估等具有重要意义。
最后，需要注意的是，遥感技术在湖泊水质监测中的应用也面临一些挑战。
首先，图像分辨率的限制可能影响参数的准确性。
较低的分辨率可能导致在湖泊边界和细微的参数变化处丢失细节。
其次，遥感监测的结果可能受到天气条件、大气和水体成分的干扰。
因此，需要对遥感数据进行校正和验证，并结合地面采样和实验室分析结果进行综合分析。
基于高分二号-NDVI的大豆遥感估产的时相选择张淮栋;陈争光;张成龙【摘要】According to the temporal variation of vegetation index and the correlation between vegetation index and yield in different periods, the best time for soybean yield estimation in Northeast China will be established. The correlation between crop NDVI and crop yield obtained from late July to mid-August was the strongest, and the correlation between NDVI in different periods was very weak. When NDVI was used to predict soybean yield, the of NDVI late July and mid-August was used. There is a linear positive correlation between NDVI and soybean yield, and the correlation between NDVI and soybean yield is not very high, indicating that NDVI is not the only variable related to soybean yield.%根据植被指数的时间变化规律以及不同时期的植被指数与产量之间的相关性,确立适用于东北地区的大豆遥感估产的最佳时期.7月下旬至8月中旬获取的作物NDVI与作物产量之间的相关性最强,并且不同时期的NDVI之间的相关性非常弱,在利用NDVI预测大豆单产时要采用7月下旬和8月中旬两个时期的NDVI.NDVI与大豆单产之间存在线性正相关关系,NDVI与大豆单产的相关性并不是很高,表明NDVI 并不是惟一与大豆单产有关的变量.【期刊名称】《湖北农业科学》【年(卷),期】2018(057)006【总页数】6页(P103-108)【关键词】大豆;植被指数;NDVI;遥感;估产【作者】张淮栋;陈争光;张成龙【作者单位】黑龙江八一农垦大学,黑龙江大庆163319;黑龙江八一农垦大学,黑龙江大庆163319;黑龙江八一农垦大学,黑龙江大庆163319【正文语种】中文【中图分类】S565.1随着社会的发展和生活水平的改善，大豆作为工农业生产资料和食品原料，需求量与日俱增，中国仅生产饲料所需的豆粕就在1 000万t以上，并且每年急需1 000万t以上高油大豆以满足大中型榨油企业的原料需求。
湖泊遥感研究进展（概述）1、概述湖泊遥感作为一门新型交叉学科，是湖泊科学和遥感科学的重要分支。
本文探讨了湖泊遥感科学的研究对象、内容和方法，通过梳理国内外总体研究进展，总结出湖泊遥感的5个发展趋势:(1)关注问题，从兴趣向发展到问题导向;(2)观测手段，从地基遥感/中分辨率卫星发展到高分辨率高光谱/无人机;(3)算法算力，从单机版经验/机理模型发展到云计算机器算法;(4)研究维度，从水体表层发展到垂向剖面;(5)研究区域，从单一/区域湖泊发展到国家/大洲/全球尺度。
最后,指出了湖泊遥感学科未来的重点发展方向:(1)研制满足湖泊观测特点的静止卫星或小卫星集群;(2)发展湖泊水色遥感标准算法，建设全球湖泊卫星遥感监测网络;(3)加强全球变化背景下的湖泊盐度、温度和碳循环等遥感研究;(4)开展全流域统筹的湖泊天空地遥感监测和模拟研究。
经过近半个世纪的发展，湖泊遥感已经从最初利用光学遥感影像定性观测水华或湖岸带变化的简单应用，发展成瞄准人类活动和全球变化影响下的湖泊变化和响应等复杂问题，联合天空地多源、多类型、多尺度遥感手段(段洪涛等,2020)，从经验模型、机理模型再到机器学习算法，实现湖泊多参数长时间序列定性定量遥感的综合研究。
针对2020年以前全球湖泊和水库卫星遥感文献关键词词频统计(图1)，出现超过100次的有15个，第20名“Eutrophication”出现91次，涉及到不同的区域、不同的关注问题、不同的传感器和不同的研究手段;湖泊遥感已经开枝散叶，多元化发展，应用广泛，展现出蓬勃的生命力。
集中到全球500km2以，上湖泊和水库(图2(a))，发现近半个世纪以来SCI论文数量显著增加，从1985年前年均不到20篇，发展到近5年(2016年一2020年)年均超过1000篇(图2(b))。
其中，北美、亚欧大陆和非洲地区大湖遥感研究最集中(图2©)。
中国太湖、鄱阳湖近5年已成为全球遥感研究最多的湖泊，青海湖、三峡水库、纳木错和巢湖等4个湖泊和水库也位居全球前20名;但实际上中国湖泊不管是面积还是数量在全球的比重并不高，这体现了中国在全球湖泊遥感领域中的主导和领先地位。
多源遥感数据融合在森林资源监测中的应用研究一、多源遥感数据融合技术概述多源遥感数据融合技术是指将来自不同传感器、不同时间、不同空间分辨率的遥感数据进行综合处理，以获得更加全面和精确的地表信息。
在森林资源监测领域，多源遥感数据融合技术能够提供更为丰富和细致的森林结构、类型、生物量等信息，对于森林资源的保护、管理和可持续发展具有重要意义。
1.1 多源遥感数据融合技术的核心特性多源遥感数据融合技术的核心特性包括数据互补性、空间一致性和时间连续性。
数据互补性指的是不同传感器能够提供不同波段和不同分辨率的数据，通过融合可以弥补单一数据源的不足。
空间一致性是指融合后的数据在空间上具有较高的匹配度，能够准确反映地表特征。
时间连续性则是指融合技术能够处理不同时间获取的数据，提供连续的监测信息。
1.2 多源遥感数据融合技术的应用场景在森林资源监测中，多源遥感数据融合技术的应用场景包括但不限于以下几个方面：- 森林覆盖度和分布监测：通过融合不同传感器的数据，可以更准确地识别森林覆盖区域和分布情况。
- 森林类型和结构分析：利用多源数据可以区分不同森林类型，分析森林的垂直结构和生物多样性。
- 森林生物量估算：结合光学和雷达数据，可以更准确地估算森林的生物量，为碳储量计算提供依据。
- 森林健康状况评估：通过分析多源数据，可以监测森林病虫害、火灾等健康问题。
二、多源遥感数据融合在森林资源监测中的应用多源遥感数据融合技术在森林资源监测中的应用主要体现在以下几个方面：2.1 森林覆盖度和分布监测森林覆盖度是衡量森林资源状况的重要指标。
通过融合光学遥感数据和雷达数据，可以提高森林覆盖度的监测精度。
光学遥感数据可以提供高分辨率的地表图像，而雷达数据则能够穿透云层和植被，获取森林结构信息。
通过这两种数据的融合，可以更准确地识别森林覆盖区域，评估森林覆盖度的变化。
2.2 森林类型和结构分析森林类型和结构分析对于森林资源的管理和保护至关重要。
