基于GOCI影像分类的太湖水体叶绿素a浓度日变化分析

包 颖， 田庆久*， 陈 旻， 吕春光

1. 南京大学国际地球系统科学研究所， 江苏 南京 210023

2. 江苏省地理信息技术重点实验室， 江苏 南京 210023

3. 香港中文大学太空与地球信息科学研究所， 香港 99077

4. 江苏省地理信息资源开发与利用协同创新中心， 江苏 南京 210023

基于GOCI影像分类的太湖水体叶绿素a浓度日变化分析

包 颖1, 2， 田庆久1, 2*， 陈 旻3, 4， 吕春光1, 2

1. 南京大学国际地球系统科学研究所， 江苏 南京 210023

2. 江苏省地理信息技术重点实验室， 江苏 南京 210023

3. 香港中文大学太空与地球信息科学研究所， 香港 99077

4. 江苏省地理信息资源开发与利用协同创新中心， 江苏 南京 210023

叶绿素a浓度(Chlorophyll-a: Chl-a)是内陆水体重要的水质参数之一， 遥感数据为其提供了大范围、 多时相的监测信息， 然而由于内陆湖泊水色要素复杂的光学性质及较大的时空差异， 传统的遥感影像及单一的Chl-a反演模型在应用中存在着局限性。 因此本研究以太湖为研究区， 时间分辨率1小时的静止海洋水色卫星Geostationary Ocean Color Imager(GOCI)为数据源， 在基于层次聚类法实现归一化实测光谱反射率分类的基础上， 利用光谱角测距匹配实现2012年5月6日(08:16—15:16) 8景GOCI太湖影像的水体分类； 并针对不同水体类型分别建立基于GOCI影像的Chl-a反演模型， 实现不同类型水体的Chl-a浓度反演。 结果表明， 太湖水体光谱可分为四类， 类型1光谱体现出漂浮藻类的特征， 可将其作为蓝藻水华的判定依据； 类型2—4体现的特征分别为水体含有较高Chl-a浓度、 较高悬浮物浓度及相对较低Chl-a较低悬浮物浓度； 并且类型2—4与分类前相比， 其分类模型估算的Chl-a浓度误差均得到了不同程度的提高， 平均相对误差分别降低了7%， 12.3%和15.9%； 此外， GOCI影像反演结果不仅可以很好地反映Chl-a浓度的空间分布状况， 也能反映出太湖Chl-a浓度的日变化差异及规律， 表现出了其在富营养化污染动态监测及预警中的应用潜力。 该方法在GOCI影像中的应用， 在提高Chl-a浓度反演精度的同时也提高了模型在实际应用中的适用性， 为日后太湖水体不同时刻Chl-a浓度的精确估算提供了基础。

GOCI； 分类； 叶绿素a浓度； 日变化； 太湖

引 言

叶绿素a浓度是反映湖泊富营养化程度的重要指标之一， 对湖泊水质状况及初级生产力的评估等具有重要的意义[1]。 近年来， 遥感技术因其实时、 大范围、 成本低等优点被广泛用于湖泊水体Chl-a浓度的监测[2]。 当前内陆水体Chl-a浓度的反演主要基于陆地卫星传感器(TM， HJ-1 CCD， Hyperion， HJ-1A HIS数据等)和海洋卫星传感器(SeaWiFS， MERIS等)的遥感数据建模实现[3-4]， 并取得了不错的应用效果。 然而由于内陆湖泊等II类水体受人类活动影响强烈， 同时也受到风速、 风向及藻类白昼变化等因素的影响[5]， 因此湖泊水色要素光学性质组成复杂并存在较大的时空差异， 特别是在蓝藻爆发时期， 同一水体的水色要素组分(包括Chl-a浓度)在一天内的不同时间、 不同区域均有所差别[6-7]。 鉴于此， 目前常规的陆地和海洋卫星遥感数据因其难以反映一天之内湖泊Chl-a浓度的变化， 制约了其在富营养化污染动态监测及预警中的应用； 同时， 针对某一季节和某一区域的单一Chl-a浓度反演模型也局限了其在实际应用中的适用性及通用性。

韩国于2010年发射了全球第一颗地球同步轨道海洋水色卫星(搭载在该卫星上的传感器GOCI具有8个波段， 500 m的空间分辨率)， 首次将水色卫星的时间观测尺度提高至了1 h， 以满足短时间尺度内水色参数动态变化的监测需求。 此外， 针对单一Chl-a反演模型在Ⅱ类水体中应用的局限性等特点， 国内外学者也通常将水体光学分类算法引入到水质参数的反演中[5, 8]。

因此， 研究以太湖为研究区获取太湖实测水质参数及静止卫星数据GOCI， 在归一化实测光谱分类的基础上完成GOCI影像光谱分类， 并实现基于光谱分类的Chl-a浓度反演， 以期减少传统单一区域模型对精度的影响， 同时也便于监测与分析太湖Chl-a浓度的日变化分布规律， 更好的实现太湖水质动态监测及富营养化污染的预警。

1 实验部分

1.1 研究区及实测数据

太湖是我国五大淡水湖之一， 位于江浙两省交界处， 现有水域面积2 338 km2， 平均水深约1.9 m， 是一个典型的浅水型湖泊[8]。 近年来， 随着社会经济的发展， 太湖水体污染日趋严重， 逐渐形成了“藻型生境条件”， 成为了我国典型的富营养化污染湖泊之一[9]。 此外， 由于太湖东部水域水深较浅， 围网养殖密集， 并且常年有水草生长， 因此本研究只讨论西太湖区域叶绿素a浓度的空间分布及日变化状况。

本研究于2010年—2012年进行5次太湖野外实验， 每次实验均通过手持GPS于西太湖区域布设样点， 并在获取样点光谱反射率数据的同时采集每个样点的水样分析获取Chl-a浓度。 其中光谱测量是采用ASD公司生产的FieldSpec Pro便携式光谱辐射计， 基于水面以上测量方法实现的[10-11]。 光谱测量的整个过程包括灰板、 水体辐射量及天空光辐射量的测量， 每个采样点测量5次， 导出数据后计算并取平均即可获得各个采样点的光谱反射曲线。 Chl-a浓度的测量则采用常规化学分析方法， 热乙醇方法获得[5]。 通过分析并删除异常样本点， 进行光谱平滑和积分归一化处理， 最终共获取216个样本点的实测光谱数据与Chl-a浓度数据， 并随机选取1/3数据用于Chl-a反演的精度验证。

1.2 GOCI影像预处理

本研究使用的遥感影像数据为2012年5月6日08时16分—15时16分之间的8景GOCI 1B影像， 该数据的影像预处理包括了辐射校正、 几何校正及Ⅱ类水体的大气校正。 其中GOCI数据的投影变换及辐射校正基于韩国海洋水色中心发布的官方处理软件GDPS实现， 而几何校正则利用精纠正后2005年太湖区域的TM数据实现。

此外， 由于水体反射率较低， 传感器接收到水体目标仅占总辐射量的10%左右， 其余90%均来自于大气瑞利散射、 气溶胶散射等因素的影响。 因此， Ⅱ类水体的大气校正算法对于后续Chl-a浓度的反演起关键性的作用[12]。 本文的GOCI影像遥感反射率值是基于改进的Gordon大气校正算法实现的， 其中大气瑞利散射辐射可通过何贤强[13]等利用加倍法求解大气矢量传输方程获取的瑞利散射查找表获取， 气溶胶粒子散射辐射根据实测气象数据计算得到[12]。

1.3 GOCI影像光谱分类

目前， 国内外学者最常用的水体光学分类主要基于水色要素、 透明度、 吸收系数及光谱反射率等参数实现[6, 11]。 由于水体遥感反射率是水体各组分吸收、 散射等共同作用的结果， 是估算Chl-a浓度的重要参数， 同时GOCI影像可直接获取水体光谱反射率， 因此本文的GOCI影像分类是通过遥感反射率分类实现的。 GOCI影像光谱分类主要包括实测光谱分类及基于实测光谱的GOCI影像匹配分类两个部分： (1)基于层次聚类法实现归一化实测光谱反射率Rrs的分类， 层次聚类法是按照给定的算法准则进行凝聚或分裂， 直到满足某个终止条件的聚类算法， 该算法种类众多， 本研究采用的基于离差平方和(Ward’s method)的凝聚层次聚类法因其无需预先设定聚类数目、 算法简单有效等优点被成功的应用于实测光谱数据Rrs的分类[11]。 (2)在实测光谱数据层次聚类的基础上， 利用GOCI光谱响应函数对其进行重采样， 并根据影像光谱与实测光谱矢量之间的差异， 引入光谱角实现GOCI影像的光谱匹配分类[14]。

1.4 Chl-a反演模型构建

根据Ⅱ类水体复杂的光学性质及Chl-a的吸收和反射特征， 目前常基于红光和近红外波段区域建立半分析模型实现Chl-a浓度的反演[11]。 依据GOCI影像的波段设置， 本研究利用二波段半分析模型估算Chl-a浓度[4]

(1)

其中cChl-a为GOCI影像叶绿素a浓度；Rrs(λi)为GOCI影像在波长为λi处的反射率值； 其中λ1位于红光660～690 nm之间， 通常为GOCI的第5波段或第6波段；λ3在730～750 nm之间， 一般为GOCI数据的第7波段。

2 结果与讨论

2.1 基于GOCI数据的水体分类

由于光谱反射率测量值会受到时间、 天气及测量角度等因素的影响， 因此为了便于不同季节光谱数据的聚类分析， 本研究首先将原始实测光谱数据进行去噪及积分归一化等预处理， 突出其形状特征[6]， 随后再利用SPSS中的层次聚类法对其进行分类。 得到不同类型的归一化水体光谱曲线均值及GOCI光谱曲线均值如图1所示。 结合不同类型的水体光谱反射率及其相应生物光学特性， 可知四种类型水体特征差异明显：

类型1在562和712 nm附近具有反射峰， 其中562 nm处的反射峰主要由浮游植物弱吸收、 细胞壁散射及无机悬浮物散射等共同作用形成， 而712 nm处为叶绿素a荧光作用产生的荧光峰； 同时， 该类型由叶绿素在440及675 nm处强吸收形成的峰值也较为明显， 并且由于漂浮藻类等因素， 类型1在近红外波段的反射值远高于其他三种类型(部分曲线呈现出类似植被反射率特征)； 重采样为GOCI波段后， 也可看出类型1在GOCI的第4波段出现峰值， 其第7, 8波段的反射率值明显高于其他三种类型， 并且在GOCI第2(中心波长443 nm)和第6(中心波长680 nm)波段出现微小的吸收峰； 此外， 类型1叶绿素a浓度均值为189.64 mg·m-3， 总悬浮物浓度均值为72.36 mg·L-1， 是其他三种类型的2～10倍左右； 结合上述特性可知类型1具有高叶绿素a(包括漂浮藻类)， 高悬浮物浓度的特征。

类型2在412～710 nm范围内的吸收与散射特征与类型1类似， 在710 nm之后遥感反射率直线下降并趋于平缓； 重采样到GOCI波段范围后， 波段1～4呈逐渐上升趋势， 在GOCI第2波段和第4波段分别出现小吸收峰及反射峰， 且该类型在波段6处也出现微小的吸收峰(由于GOCI影像缺少荧光峰波段， 因此中心波长为745 nm的波段7并没有很好的体现反射峰的特征， 但总体反射率也高于类型3和4)； 类型2叶绿素a浓度均值为61.05 mg·m-3， 总悬浮物浓度均值为28.57 mg·L-1， 为高Chl-a浓度类型。

图1 太湖水体不同类型的平均光谱曲线

相对类型1和2而言， 类型3在近红外波段的反射与吸收作用并不明显， 其主要原因是该类型悬浮物浓度高(均值49.8 mg·L-1)而叶绿素浓度相对较低(均值21.73 mg·m-3)， 悬浮物散射特性部分掩盖了浮游植物的吸收特征。 将该类型重采样为GOCI波段范围后， 也可看出相对类型1, 2而言， 在565～865 nm范围内， 类型3在波段6的吸收不明显， 整体曲线缓慢下降。

类型4总体光谱曲线较为平滑， 除了562 nm左右的反射峰， 该类型在412～562及565～710 nm之间没有明显的吸收反射特征； 重采样到GOCI波段范围内， 可知除去波段4的反射峰， 该类型在其余各个波段的吸收峰和反射峰都不明显； 相较于其他类型， 类型4的叶绿素a浓度(12.32 mg·m-3)和悬浮物浓度(均值7.97 mg·L-1)较低。

归一化后水体光谱可根据其特征差异分为四种不同的类型， 并且该分类也适用于GOCI波段范围。 因此， 本研究在此分类基础上， 根据光谱矢量形状， 利用光谱角作为测距， 匹配实现2012年5月6日8景GOCI太湖影像的水体分类。

2.2 基于GOCI数据的叶绿素a浓度反演

由于类型1中部分采样点被漂浮藻类所覆盖， 传感器通常只能接收漂浮藻类表面的信号， 因此该类采样点作为水质参数而言意义不大， 只将其作为蓝藻水华的判定依据[15]。 针对其他三种类型， 则采用式(1)基于红光和近红外波段建立的半分析模型来实现Chl-a浓度的反演。 分别将b7/b5和b7/b6作为反演变量， 与不同类别的数据(类型2, 3, 4)及未分类前的数据建立线性半分析模型， 通过对比分析， 可知对于类型2、 3和未分类前的数据而言，b7/b6与Chl-a具有较高的相关性， 而b7/b5与类型4的Chl-a则具有更高的相关性。 分类前后对应的Chl-a浓度的估算公式如下所示：

类型2

cChl-a=224.66×(b7/b6)-75.74 R2=0.736

(2)

类型3

cChl-a=91.12×(b7/b6)-18.18 R2=0.783

(3)

类型4

cChl-a=40.9×(b7/b5)-1.35 R2=0.822

(4)

类型2—4未分类

cChl-a=139×(b7/b6)-34.54 R2=0.707

(5)

为了验证不同类型所构建模型的精度， 将随机选取的72个样本点(占总样本点的1/3)基于平均相对误差和均方根误差进行验证[8]。 通过计算分析可知， 分类前平均相对误差为37.4%， 均方根误差为23.85 mg·m-3； 而分类后Chl-a模型具有较高的精度， 除了类型2平均相对误差为30.4%， 均方根误差为18.55 mg·m-3以外， 另外两种类型的平均相对误差均在30%以内， 类型3的平均相对误差为25.18%， 均方根误差为13.88 mg·m-3， 类型4的平均相对误差为21.54%， 均方根误差为10.81 mg·m-3。 由此可知， 将具有复杂光学性质的Ⅱ类水体进行光谱分类建模， 其模型误差相对分类前都得到了不同程度的降低(分别降低了7%， 12.3%和15.9%)， 提高了GOCI反演Chl-a的精度。

2.3 太湖水体叶绿素a浓度日变化分析

基于大气校正后2012年5月6日的8景GOCI太湖多光谱数据， 首先分别对其进行归一化处理， 随后利用光谱角函数与实测分类光谱进行匹配， 获取每个像元的类别， 最后结合分类后的式(2)—式(4)估算获取太湖水体Chl-a浓度的时空变化图(如图2所示)。 综合2012年5月6日八景Chl-a结果影像可知， 当日太湖水体Chl-a浓度大致呈现湖心地区较低， 西岸、 西南岸及北部较高的分布趋势， 并且在梅梁湾、 竺山港、 贡湖、 西南岸等地出现了水华现象， 富营养化污染严重； 此外， 除了蓝藻聚集堆积的区域(类型1)， 当日太湖大部分区域水体属于类型2与类型3， Chl-a浓度分布在0～40 mg·m-3之间， 而在藻类堆积的区域周围Chl-a浓度则大多数在40 mg·m-3以上， 部分区域高于100 mg·m-3。

图2 2012年05月06日08:16—15:16太湖叶绿素a浓度时空分布图

造成该现象的可能原因为太湖的入湖径流主要集中在西岸及南岸地区， 岸边的农田及生活工业废水等随径流直接汇入太湖， 为藻类的生长提供了条件， 从而导致这些区域蓝藻水华的爆发； 同时， 由于梅梁湾等区域水体相对静止， 当日太湖又受到南风的影响， 因此藻类也更容易在这些区域堆积， 导致了Chl-a浓度的上升。 从时间变化角度分析可知， 在08时16分—15时16分的八小时内， 太湖高Chl-a浓度区域均集中在岸边， 湖泊西南岸、 西岸及西北岸区域的水华逐渐扩散， 面积逐渐减少， 其周围Chl-a浓度变化较大； 除去水华周围区域， 湖泊南部Chl-a浓度变化较小， 基本在0～20 mg·m-3之间； 而在太湖的北部， 08时16分—12时16分， 该区域叶绿素a浓度呈上升趋势， 大部分区域为20～40 mg·m-3， 但在此之后该区域高叶绿素a浓度面积又逐渐减小。 造成该现象的可能原因为， 当日湖区受南风的影响， 导致了藻类向北部和岸边逐渐扩散， 同时在08时16分—12时16分之间藻类受光合作用影响向上移位， 引起了湖区Chl-a浓度的变化， 太湖北部Chl-a浓度的增加； 而在12时16分之后， 由于日照强度增加藻类细胞逐渐失去浮力向下位移[16]， 因而造成了该时间段内太湖北部区域高叶绿素a浓度面积的减小。

3 结 论

基于太湖实测参数及静止卫星数据GOCI， 在归一化实测光谱分类的基础上实现GOCI影像光谱分类及Chl-a浓度的反演， 进而分析与探讨了太湖叶绿素a浓度的空间分布及日变化趋势。 研究结果表明： (1) 利用归一化之后的光谱及光谱角匹配方法， 可很好的突出不同光学特性水体光谱的形状特征， 从而实现GOCI影像的分类， 类别1～4分别为水华类、 较高Chl-a浓度类、 较高悬浮物浓度类及较低Chl-a较低悬浮物浓度类； (2) 在光谱分类基础上针对类别2～4分别构建相应的估算模型， 分类后模型的平均误差分别降低了7%， 12.3%和15.9%， 进而减少了区域单一模型对反演精度造成的影响。 (3) 将分类模型应用到GOCI太湖影像上， 可较好的显示出太湖水体Chl-a浓度在一天时间内的差异性， 且该差异受风速与藻类垂直移动的影响较大， GOCI数据在湖泊富营养化污染动态监测及预警中体现出了巨大的应用潜力。

致谢： 感谢韩国水色卫星中心KOSC所给予的数据支持， KOSC中心Dr. Lee Sunju及南佛罗里达大学孙绍杰的帮助。

[1] Moses W J, Gitelson A A, Perk R L, et al. Water research, 2012, 46(4): 993.

[2] MA Rong-hua, TANG Jun-wu, DUAN Hong-tao, et al(马荣华， 唐军武， 段洪涛， 等). Journal of Lake Science(湖泊科学), 2009, 21(2): 143.

[3] YANG Ting, ZHANG Hui, WANG Qiao, et al(杨 婷， 张 慧， 王 桥， 等). Environmental Science(环境科学), 2011, 32(11): 3207.

[4] Huang C, Zou J, Li Y, et al. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 93: 29.

[5] SUN De-yong, ZHOU Xiao-yu, LI Yun-mei, et al(孙德勇， 周晓宇， 李云梅， 等). Environmental Science(环境科学), 2013, 34(8): 11.

[6] Vantrepotte V, Loisel H, Dessailly D, et al. Remote Sensing of Environment, 2012, 123: 306.

[7] Le C F, Li Y M, Zha Y, et al. Remote Sensing of Environment, 2011, 115(2): 725.

[8] Li Y, Wang Q, Wu C, et al. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(3): 988.

[9] SHA Hui-min, LI Xiao-shu, YANG Wen-bo, et al(沙慧敏， 李小恕， 杨文波， 等). Transactions of Oceanology and Limnology(海洋湖沼通报), 2009, 3: 9.

[10] TANG Jun-wu, TIAN Guo-liang, WANG Xiao-yong, et al(唐军武， 田国良， 汪小勇， 等). Journal of Remote Sensing(遥感学报), 2004, 8(1): 37.

[11] Shi K, Li Y, Li L, et al. Science of the Total Environment， 2013, 444: 1.

[12] Gong S, Huang J, Li Y, et al. International Journal of Remote Sensing. 2008, 29(8): 2199.

[13] HE Xian-qiang, PAN De-lu, BAI Yan, et al(何贤强， 潘德炉， 白 雁， 等). Acta Oceanologica Sinica(海洋学报), 2006, 28(1): 47.

[14] van der Meer F. International Journal of Applied Earth Observation and Geoinformation， 2006, 8(1): 3.

[15] SHU Xiao-zhou, YIN Qiu, KUANG Ding-bo(疏小舟， 尹 球， 匡定波). Journal of Remote Sensing(遥感学报), 2000, 4(1): 41.

[16] Reynolds C S, Walsby A E. Biological Reviews， 1975, 50(4): 437.

*Corresponding author

Analysis on Diurnal Variation of Chlorophyll-a Concentration of Taihu Lake Based on Optical Classification with GOCI Data

BAO Ying1, 2， TIAN Qing-jiu1, 2*， CHEN Min3, 4, LÜ Chun-guang1, 2

1. International Institute for Earth System Science, Nanjing University, Nanjing 210023, China

2. Jiangsu Provincial Key Laboratory of Geographic Information Science and Technology, Nanjing University, Nanjing 210023, China

3. Institute of Space and Earth Information Science, The Chinese University of Hong Kong, Shatin, Hong Kong 99077, China

4. Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023, China

Chlorophyll-a (Chl-a) concentration is one of the most important parameters for the analysis of inland water quality. Remote sensing data with the advantages of wide spatial area and multi-temporal monitoring has been applied as a reliable source of Chl-a concentration. However, as optical characteristics of inland water bodies are complex with high spatial and temporal (diurnal) variations, there are still limitations to estimate Chl-a concentration with traditional remote sensing data and single model. In the proposed solution, the first geostationary ocean color satellite sensor, Geostationary Ocean Color Imager (GOCI), which provides an image per hour (eight images per day from 8:16 to 15:16), was used as a data source of Taihu Lake. Based on hierarchical clustering method, water types were identified from in situ normalized spectral reflectance collected in Taihu Lake (216 samples in different seasons from 2010 to 2012). Then eight GOCI images which were obtained on May 6th, 2012 were classified separately according to different water types by calculating spectral angle distance between each spectrum in GOCI images and the classified spectra. According to the classified remote sensing images and the spectral bands of GOCI data, classed-based models were subsequently developed for the estimation of Chl-a concentration. The results indicated that four water types (Type 1 to Type 4) were identified based on the in situ normalized spectral reflectance in Taihu Lake. The spectra of Type 1 mainly represented the characteristics of floating algae. This type had little significance to in estimating Chl-a concentration because sensors could only receive signal of floating algae. Then Type 1 was usually used as the evidence of algal blooms. Meanwhile, two-band semi-analytical algorithms were established for Type 2—Type 4 waters which were separately dominated by Chl-a concentration, high suspended solid, low Chl-a and low suspended solid. Comparing with the two-band algorithms, band 7 and band 6 combination was more suitable for Type 2 and Type 3 while the correlation between Chl-a concentration andb7/b5 was higher than that betweenb7/b6 for Type 4. The accuracies of classification models (Type 2—Type 4) were higher than that of the overall model, with the reduced average relative errors of 7%, 12.3% and 15.9%, respectively. Moreover, the inversion results of GOCI data not only reflected the spatial distribution of Chl-a, but also showed the diurnal variation of the Chl-a concentration of Taihu Lake. This study has demonstrated great potential for dynamic monitoring of eutrophication pollution with GOCI data. In addition, the results suggested that optical classification algorithm can improve the accuracy of Chl-a concentration and the application performance of semi-analytical model. GOCI data and the class-based algorithm provide a basis for accurate estimation of diurnal and spatial variation of Chl-a concentration.

GOCI; Classification; Chlorophyll-a concentration; Diurnal variation; Taihu Lake

Jan. 6, 2015; accepted May 5, 2015)

2015-01-06，

2015-05-05

“973”前期专项(2010CB434801), 国家“十二五”支撑项目(2012BAH32B03), 江苏省研究生培养创新工程立项项目(CXLX12_0040)和南京大学优秀博士研究生科研能力提升计划B项目(2014001B009)资助

包 颖， 1987年生， 南京大学国际地球系统科学研究所博士研究生 e-mail: ninabao_nju@163.com *通讯联系人 e-mail: tianqj@nju.edu.cn

O657.3

A

10.3964/j.issn.1000-0593(2016)08-2562-06