基于归一化光谱的浑浊水体叶绿素a浓度遥感估算

程春梅(浙江水利水电学院 测绘与市政工程学院，浙江 杭州 310018)

基于归一化光谱的浑浊水体叶绿素a浓度遥感估算

程春梅
(浙江水利水电学院 测绘与市政工程学院，浙江 杭州 310018)

光谱归一化是将光谱统一到相同的尺度进行数据分析的方法，有助于削弱环境因素对光谱的影响.本文首先讨论了光谱归一化处理对水体叶绿素a浓度反演的影响，然后基于归一化光谱提出了一个改进的两波段模型.使用太湖水体2010年9～10月和2011年4～5月的实测数据，对归一化前后建立的叶绿素a估算模型的对比分析表明，归一化处理增加了样点光谱反射率的集中程度，可以改进用相关分析方法建立的比值模型和一阶微分模型的精度及应用精度.基于归一化光谱建立了新的两波段反演模型RN(λ1)-1-RN(λ2)-1,并使用2010年和2011年两期数据建立模型并验证，结果表明新波段组合的模型精度优于波段比值模型，模型应用精度优于三波段和四波段模型，该组合可为浑浊水体中叶绿素a浓度的遥感估算提供参考.

光谱归一化；叶绿素a浓度；水色遥感

0 引 言

湖泊是地球上重要的淡水资源，随着经济发展和工业化程度的加剧，内陆湖泊浑浊水体的富营养化问题一直是人们关注的重点.叶绿素a是反映湖泊水体营养化程度的重要参数，其含量能够在一定程度上反映水质状况.由于遥感监测叶绿素a具有范围广、速度快、成本低和便于进行长期动态监测的优势，使用遥感数据进行水体叶绿素a浓度(Chla)的反演研究一直是水色遥感研究的热点[1-2].目前常用的水体叶绿素a浓度遥感估算模型包括一阶微分[1,3]、波段比值[1]、三波段[2,4]和四波段模型[5].

水面实测光谱是水色反演模型的重要数据源，是连接室内测量的水体组分浓度与遥感影像的桥梁[6].光谱测量过程中容易受到环境因素影响，结果具有不确定性；浑浊水体水面光谱受到多种物质的相互影响，光谱对单一组分的指示往往受到其它物质的干扰，水质参数估算模型在其它数据集上的应用精度不高[7].光谱预处理可以提高光谱反射率对水体组分信息的指示作用，从而改进反演模型的精度及适用性.

归一化是将数据统一到相同尺度来比较数据特征的数据处理方法.在实验室的光谱分析中，归一化方法常用于质谱和色谱的定量分析，使样品的检测结果较少受到操作条件和仪器设备的影响[8-9]，近红外光谱处理中也常使用包括归一化在内的预处理方法来得到标准光谱[10].在水体光谱的表面测量中，为了便于对不同测量结果进行比较，一般会对水体遥感反射率光谱进行归一化处理，该处理有利于减少不同点位光谱测量时环境因素变化的影响，使得不同时间、地点、大气条件下的测量结果具有可比性[11].常用的光谱归一化方法包括波段范围内的平均值[12-16]或者积分值[17-19].

本文使用太湖地区2010年9～10月和2011年4～5月的实测数据，首先讨论了光谱归一化处理对不同Chla遥感估算模型的影响，然后基于归一化光谱提出了一个改进的两波段反演模型，并进行了模型的验证.

1 数据和方法

1.1 研究区和数据

太湖是典型的浑浊水体，其水质状况与长三角区域的环境和居民生活息息相关，本文使用太湖作为研究区.2010年9～10月和2011年4～5月在无锡太湖采集了水样并进行了水面光谱测量.采集的水样冷藏保存并于当天带回实验室进行分析.样点的分布(见图1).

图1 太湖采样点分布图(圆形代表4或9月，星形代表5或10月)

野外光谱测量使用美国分析光谱仪器公司的ASD野外光谱辐射仪(ASD Field Spec)，波段范围350～1 050 nm，波段间隔为1.5 nm,共512个波段.采用水面以上测量法进行测量，探头视场角为10°，参考灰板反射率为30%.测量时仪器距离水面0.5～1 m，分别测量灰板反射率、水体反射率以及天空光，每个样点重复十次.在测量得到的光谱曲线中，选择450～800 nm的数据计算遥感反射率[11].选取每个样点重复测量的遥感反射率的中值作为该点的遥感反射率[20]，并将各样点的遥感反射率数据重采样到1 nm间隔用于计算.受阴天多云和风速过大的影响，部分样点的光谱噪声较大无法使用.去除受噪声影响的样点和水华样点后，最后选择使用的光谱2010年9、10月共33条，2011年4、5月共23条.

室内叶绿素a浓度的测定参照国家标准SL88—1994(分光光度计三色法)进行，首先用GF/C滤膜过滤野外采集的水样，将滤膜置于冰箱中低温干燥12 h以上，取出用90%的丙酮萃取.萃取液经过离心后静置12 h，并取上层清液在岛津UV-2550分光光度计上进行比色测量，分别测定750 nm、663 nm、645 nm和630 nm处的吸光度，依照公式计算出叶绿素a浓度.

1.2 光谱的归一化

水色遥感中常用的光谱归一化方法有均值归一化和积分值归一化两种，其公式如下：

(1)

(2)

式中:RN(λi)—归—化后水面遥感反射率; R(λi)—测量得到的遥感反射率； n—波段数； a和b—分别为计算开始和终止的波段，本文使用450～800 nm的波段范围.

1.3 叶绿素a浓度建模方法

常用的Chla估算模型包括一阶微分、波段比值、三波段和四波段模型.一阶微分模型选择与Chla相关性最大的一阶微分光谱作为模型变量.波段比值模型选择近红外波段和红波段的反射率比值作为模型变量，其波段位置的选择方法分为：

(1)在指定的波段搜索范围内进行迭代运算，根据比值变量估算的Chla与实测Chla间的均方根误差最小的原则，选择最优波段[21-23]；

(2)使用叶绿素红波段附近的吸收峰和近红外波段附近的反射峰位置[24-26]；

(3)使用与Chla相关性最大的波段或据此建立新的波段组合[14,27].

三波段模型根据Zimba[28]的方法进行最优波段的选取，设定三个波段在所有波段范围内(400～800 nm)取值，λ1和λ3的初始迭代位置为675 nm和750 nm.四波段模型依据Le[5]的方法进行构建.

基于近红外波段与红波段的比值模型虽然能有效地去除几何测量和大气的影响[29]，模型结果仍然受到水体组分的散射影响[23].一般认为红波段λ1到近红外波段λ2范围内后向散射系数是与波长无关的常量[23]，且水体光谱反射率的变化主要来自颗粒物的散射贡献[18]，因此可以近似认为光谱反射率的整体抬升与各样点的散射有关，可使用平均光谱反射率来降低各样点的散射影响.近红外(λ2)与红波段(λ1)的波段比值模型建立的假设条件是[23]:①a(λ1)=aw1+aph1;②a(λ2)=aw2;③bb(λ1)=bb(λ2)，其中a,aw,aph,bb分别代表总吸收、纯水吸收、浮游植物吸收和后向散射.由于归一化处理能够去除背景的影响，可以建立一种基于红波段λ1和近红外波段λ2的两波段组合：

(3)

1.4 模型精度评估

使用均方根误差(RMSE)和平均相对误差(ARE)来进行模型精度评估.

(4)

(5)

式中:y—实测的Chla，mg/m3； y′—模型估算的Chla，mg/m3； n—样点数目； RMSE的单位是mg/m3，ARE的单位是%.

2 结果与讨论

2.1 光谱及光谱归一化

2010年9～10月和2011年4～5月的水面光谱曲线(图2(a)(c))呈现出浑浊水体的典型特征：550～580 nm波长附近由于叶绿素和胡萝卜素弱吸收以及细胞散射作用而出现反射峰；650 nm附近由于藻蓝蛋白的吸收而呈现出反射率谷值或肩状特征；675 nm附近由于叶绿素强烈的吸收作用出现反射谷；710 nm附近呈现反射波峰.由图2看出，由于夏季藻含量较多，2010年9～10月光谱反射率在670 nm处的反射谷和700 nm处的荧光峰较明显；2011年春季藻含量较少，峰谷特征不明显.室内水样分析结果(见表1)也表明Chla存在类似的季节变化.

图2 归一化处理前后的光谱反射率

DatasetSamplenumberChla(mg/m3)MaxMinMedian2010年9月1976.8116.6051.972010年10月1475.745.1925.882011年4月1262.5624.5041.902011年5月1126.166.7717.19

2010年和2011年光谱反射率数据进行均值归一化处理后(图2(b)和(d))表明，归一化处理后对原始光谱的形态保存较好，处理后光谱曲线更为集中，光谱曲线的波峰和波谷更加明显和突出.对单个样点而言，归一化处理相当于光谱反射率曲线的反射率值除以一个常数，得到的光谱反射率与原始值呈线性关系，因此，归一化相当于整体上“抬升”或“降低”了单个样点的光谱曲线.归一化前后的光谱反射率值发生了数量级的改变，但光谱形态维持不变，归一化前后光谱反射率对应的峰谷位置也不变.但对特定波长而言，由于各样点的光谱反射率值均发生了改变，该波长处的所有样点反射率的总体特征也发生了变化.

统计特征波长处样点归一化前后的光谱反射率的最大最小值、均值和变异系数，结果(见表2).

表2 归一化前后特定波长处的光谱反射率R特征

WavelengthRmaxRminRaverageVc580(Origin)0.050.020.030.29580(average)1.401.131.270.06580(integral)0.000.000.000.06675(Origin)0.040.010.020.32675(average)1.030.770.930.08675(integral)0.000.000.000.08710(Origin)0.040.020.030.23710(average)1.630.791.110.18710(integral)0.000.000.000.18

注：Origin—原始光谱；average—均值归一化；integral—积分值归一化；vc—variation coefficient,变异系数

表2表明，经过归一化处理之后，各特征波长处样点光谱反射率的变异系数都比原始光谱低，说明归一化处理提高了数据分布的集中程度.

2.2 光谱归一化对波段位置的影响

首先利用RMSE最小准则，使用波段位置搜索方法建立波段比值、三波段和四波段模型.采用相同的区间范围进行均值或积分值归一化时，二者光谱反射率仅相差一个常数系数，因此将两种归一化方法并作一起讨论.假定波段范围内的均值/积分值为常数m，则归一化处理后反射率为：

(6)

叶绿素a浓度反演的比值、三波段和四波段模型的模型形式分别为R(λ1)/R(λ2),[R(λ1)-1-R(λ2)-1]R(λ3),[R(λ1)-1-R(λ2)-1][R(λ4)-1-R(λ3)-1]-1.使用归一化处理后的光谱反射率建立波段比值和三波段组合，结果为：

(7)

(8)

[RN(λ1)-1-RN(λ2)-1]·
[RN(λ4)-1-RN(λ3)-1]-1=
[m(R(λ1)-1-R(λ2)-1)]/
[m(R(λ4)-1-R(λ3)-1)]=
[R(λ1)-1-R(λ2)-1]·
[R(λ4)-1-R(λ3)-1]-1

(9)

上述分析表明，使用归一化处理后的光谱数据建立波段比值、三波段和四波段模型，模型变量经化简后与使用归一化处理前的光谱数据建立的模型变量的形式一致.用波段搜索法建立比值/三波段/四波段模型的原理是通过迭代计算寻找最优波段，使得比值/三波段/四波段模型变量与Chla之间的相关性最大，二者回归模型的RMSE最小.由于归一化处理前后比值/三波段/四波段模型变量值不变，通过该方法选择出的波段位置也相同.因此，对于波段位置搜索法建立的比值、三波段或四波段模型，归一化处理前后的光谱数据建立的模型形式和精度不会有变化.

对于光谱数据峰谷位置的选择，一般选择为所有样点的光谱曲线在叶绿素红波段的吸收峰附近的谷值和近红外波段附近的峰值的平均位置.由于归一化前后的光谱峰谷位置的平均值不会发生变化，归一化前后选择出的峰谷值位置相同，用峰谷位置法建立的模型的变量和精度也不会发生变化.

2.3 光谱归一化对相关分析模型的影响

GITESON AA, et al.[30]研究表明，归一化处理可以提高单波段反射率与Chla的相关性.基于2010年9月的数据，将归一化前后的原始光谱及一阶微分光谱与Chla进行相关分析，结果(见图3).

图3 归一化前后的原始光谱和一阶微分与Chla的相关系数

由图3(a)看出，原始光谱反射率与Chla之间的相关性不大，相关系数曲线趋势较平缓.造成这种低相关性的原因有：可溶性有机物的空间分布、悬浮物的浓度和组分，以及水面条件的变异性等[31].归一化处理后光谱反射率与Chla的相关性总体较高，在500 nm和670 nm附近呈现出较高的负相关性，在700 nm以后呈现出较高的正相关性.光谱归一化处理提高了部分波段的光谱反射率与Chla间的相关性，压抑了水面条件变化、悬浮物浓度和以及其它因子的影响，该结论与已有的研究结果一致[32].

图3(b)表明，光谱一阶微分与Chla在680～720 nm范围内存在高相关，该特征与已有的结论一致[1].归一化处理后，提高了光谱一阶微分与Chla在500～550 nm范围内的正相关以及670 nm附近的负相关.

归一化处理提高了原始光谱和一阶微分光谱与Chla的相关性，因此可以提高基于相关分析方法建立的一阶微分和波段比值模型的精度.基于2010年9月数据，分别使用归一化前后光谱的建立一阶微分和波段比值模型，使用10月数据进行验证；使用2011年4月数据建立模型并使用5月数据进行验证，结果(见表3).

表3 归一化处理前后一阶微分和波段比值模型及模型验证

2010年9月波段变量9月模型精度R2RMSE10月验证精度RMSEARE2011年4月波段变量4月模型精度RMSERMSE5月验证精度RMSEARER698'0.359.6330.08195.1R699’0.952.2615.1082.5RN698'0.488.5718.3975.3RN689'0.971.7510.9277.5R730/R6760.3011.2624.88169.1R730/R6730.765.0724.90151.8RN703/RN6650.429.0716.2651.1RN703/RN6730.952.4314.45102.3

注：R和Rxxx′代表xxx波段位置处的光谱反射率及其一阶微分值；RN和Rxxx′代表归一化光谱反射率及归一化一阶微分

由表3看出，归一化处理改进了一阶微分和波段比值模型的精度和验证精度.这是由于光谱归一化处理降低了光谱可变性，关注光谱反射率的形态而非量值，处理后的光谱信号对单一组分的指示作用更好,从而提高了光谱与Chla的相关性及估算模型精度；归一化处理剥离了其它因素对光谱的影响，使得不同期的数据可以相互比较，从而改进了模型的应用精度.很多研究使用归一化后的光谱建立了波段比值模型，并取得了较好的结果[32-34].光谱归一化处理有助于水体组分的遥感信息提取.

2.4 改进的两波段组合模型

由于归一化处理可以改进波段比值模型的精度和验证精度，且结果优于一阶微分模型(见表3)，因此将归一化处理后建立的相关分析比值模型与改进的两波段模型结果进行对比.使用2010年9月和2011年4月数据分别建立波段比值模型和新组合模型，结果(见图4).

图4 波段比值和新组合模型结果

由图4看出，使用两期数据分别建立模型时，新组合模型的精度均优于波段比值模型.这是因为基于归一化光谱建立的新组合模型降低了样点的散射影响，提高了与Chla的敏感性.使用相邻月的数据对模型进行验证时，两期数据新组合模型验证的RMSE比波段比值模型分别降低了1.2 mg/m3和2.3 mg/m3.新组合的模型形式设置合理，模型精度和模型在其它数据集上的应用精度均较高.

一般认为，三波段和四波段模型对Chla的估算结果较好.由于归一化处理对这两种模型没有影响，使用2010年9月和2011年4月归一化后的光谱建立新组合模型、三波段和四波段模型并进行对比分析.结果表明，三波段和四波段模型的模型精度(2010年9月R2分别为0.66和0.69，RMSE分别为6.92和6.67；2011年4月R2分别为0.98和0.99，RMSE分别为1.49和1.15)优于新组合的模型结果(见图4).

将2010年9月建立的新组合、三波段和四波段模型用于10月数据，并将2011年4月建立的新组合、三波段和四波段模型用于5月数据，模型验证结果(见表4).

表4 新组合与三波段/四波段模型应用结果比较

2010年9月模型变量2010年10月验证RMSEARE2011年4月模型变量2011年5月验证RMSEARERN686-1-RN676-118.4149.8RN694-1-RN690-112.1584.1(1/R675-1/R685)×R76619.1751.9(1/R690-1/R695)×R74113.1689.2(1/R663-1/R690)/(1/R757-1/R692)20.6559.0(1/R693-1/R694)/(1/R734-1/R733)13.6888.9

由表4看出，新波段组合的模型应用精度优于三波段和四波段模型.与三波段和四波段模型相比，新组合模型精度较低，但模型的验证精度较高，可能是由于:

(1)三波段和四波段模型使用了较多的波段信息，模型对Chla指示作用更好；

(2)含有较多变量的模型对数据的拟合精度高，但易产生更大的不确定性，当减少模型变量时，可以提高模型在不同数据集上的应用精度[35].

新组合模型的应用精度较高，说明模型的稳健性更好，可以应用于多个不同的数据集.

三波段和四波段模型往往需要使用750 nm以后波段的实测光谱数据，但已有的浑浊水体大气校正方法对这些波段位置处遥感反射率的估算结果可信度低.本文建立的改进的两波段组合的模型精度和验证精度优于波段比值模型，且对遥感数据的波段信息要求较低，处理简单，对内陆水体的叶绿素a浓度的反演具有一定和参考和应用价值.

3 结 论

光谱数据进行均值/积分值归一化处理之后，用波段位置搜索法建立的波段比值、三波段和四波段模型模型变量，光谱的峰谷位置等没有影响.归一化处理提高了光谱反射率与一阶微分光谱与Chla的相关性，归一化处理可以改进基于相关分析法建立的波段比值模型和一阶微分模型的模型精度和模型应用精度.

基于归一化光谱的新波段组合RN(λ1)-1-RN(λ2)-1的模型及应用结果优于波段比值模型，且应用精度优于三波段和四波段组合，表明这种组合在浑浊水体中叶绿素a浓度反演中的可用性.归一化处理可以增加光谱反射率对单一组分信息的表达，对浑浊水体中叶绿素a浓度反演研究具有一定参考.

[1] HAN L, RUNDQUIST DC.Comparison of NIR/ RED ratio and first derivative of reflectance in estimating algal chlorophyll concentration:a case study in a tubid reservoir [J] . Remote Sensing of Environment, 1997(62):253-261.

[2] GITELSON AA, GRITZ U, MERZLYAK MN. Relationships between leaf chlorophyll content and spectral reflectance and algorithms for nondestructive chlorophyll assessment in higher plant leaves[J]. Journal of Plant Physiology, 2003(160):271-282.

[3] FRATER RN. Hyperspectral Remote Sensing of Turbidity and Chlorophyll-a Among Nebraska Sand Hills Lakes [J]. International Journal of Remote Sensing, 1998,19(8):1579-1589.

[4] DALL’OLMO G, GITELSON AA, RUNDQUIST DC. Towards a unified approach for remote estimation of chlorophyll-a in both terrestrial vegetation and turbid productive waters[J].Geophysical Research Letters, 2003(30):1038.

[5] LE C, LI Y, ZHA Y, et al. A four-band semi-analytical model for estimating chlorophyll a in highly turbid lakes: The case of Taihu Lake, China[J]. Remote Sensing of Environment, 2009,113(6):1175-1182.

[6] MILTON EJ. Principles of field spectroscopy[J]. Int.J.Remote Sens, 1987(12):1807-1827.

[7] ODERMATT D, GITELSON A, BRANDO V E, et al. Review of constituent retrieval in optically deep and complex waters from satellite imagery[J]. Remote Sensing of Environment, 2012,118:116-126.

[8] SAUVE AC, SPEED TP. Normalization, baseline correction and alignment of high-throughput mass spectrometry data[J]. Proceedings of the Genomic Signal Processing and Statistics workshop, Baltimore, MO, USA,2004.

[9] 汪正范.色谱定性与定量[M].北京：化学工业出版社，2007：162.

[10] 包 鑫,戴连奎.一种简便的近红外光谱标准化方法[J].光谱学与光谱分析，2008，28(4)：829-833.

[11] 唐军武,田国良,汪小勇.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.

[12] 疏小舟,尹 球,匡定波.内陆水体藻类叶绿素浓度与反射光谱特征的关系[J].遥感学报,2000,4(1):41-45.

[13] 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,2002,14(3)：228-234.

[14] 焦红波,查 勇,李云梅，等.基于高光谱遥感反射比的太湖水体叶绿素a含量估算模型[J].遥感学报，2006,10(2):242-248.

[15] 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，2006，27(3)：503-507.

[16] 宋开山,张 柏,王宗明，等.吉林查干湖水体叶绿素a含量高光谱模型研究[J].湖泊科学,2007,19(3):275-282.

[17] MELACK JM, GASTIL M. Comparison of spectral feature algorithms for remote sensing of chlorophyll in eutrophic lakes[J]. International Geosciences Remote Sensing Symposium, 1994(IV): 2363-2365.

[18] LUABC B, LOISEL H. Variability and classification of remote sensing reflectance spectra in the eastern English Channel and southern North Sea[J]. Remote Sensing of Environment,2007(110)：45-58.

[19] LE C, LI Y, ZHA Y. et al.Remote estimation of chlorophyll a in optically complex waters based on optical classification[J].Remote Sensing of Environment,2011,115(2):725-737.

[20] Analytical Spectral Devices Inc. FieldSpec Pro User’s Guide[M]. Boulder:Analytical Spectral Devices Inc,2002：29．

[21] GITESON AA, KEYDAN G, SHISHKIN V.Inland waters quality assessment from satellite data in visible range of the spectrum[J]. Soviet Remote Sensing,1985(6)：28-36.

[22] Dall’Olmo G, Giteson AA.Effect of bio-optical parameter variability on the remote estimation of chlorophyll-a concentration in turbid productive waters: Experimental results[J]. Applied Optics, 2005(44)：412-422.

[23] Ruddick KG, Gons HJ, Rijkeboer M, et al. Optical remote sensing of chlorophyll a in case 2 waters by use of an adaptive two-band algorithm with optimal error properties[J]. Applied optics,2001,40:3575-3585.

[24] Gons HJ. Optical teledetection of chlorophyll a in turbid inland waters[J].Environ Sci Technol,1999,3:1127-1132.

[25] HAN L, RUNDQUIST DC, LIU L, et al.The spectral responses of algal chlorophyll in water with varying levels of suspended sediment[J].International Journal of Remote Sensing,1994,15(18):3707-3718.

[26] 马荣华,戴锦芳.应用实测光谱估测太湖梅梁湾附近水体叶绿素浓度[J].遥感学报，2005,9(1)：78-86.

[27] 乐成峰,李云梅,孙德勇，等.基于季节分异的太湖叶绿素浓度反演模型研究[J].遥感学报，2007，11(4)：473-480.

[28] ZIMBA PV, GITELSON AA.Remote estimation of chlorophyll concentration in hyper-eutrophic aquatic systems: model tuning and accuracy optimization[J]. Aquaculture, 2006(256):272-286.

[29] KOPONEN S, PULLIAINEN J, SERVOMAA H, et al. Analysis on the feasibility of multisource remote sensing observations for Chl-a monitoring in Finish lakes[J]. The Science of the Total Environment, 2001(268):95-106.

[30] GITESON AA, GARBUZOY G, SZILAGYI F.Quantitative remote sensing methods for realtime monitoring of inland waters quality[J].International Journal of Remote Sensing,1993,14(7):1269-1295.

[31] GITESON AA, KEYDAN GP. Remotc Sensing of Inland Surface Water Quality-Measurements in the Visible Spectrum[J]. Acta Hydrophysica,1990(34):5-27.

[32] 展建敏.实测高光谱数据归一化区间变化对太湖叶绿素a含量估算的影响[D].南京：南京师范大学，2009：31.

[33] 何 磊.基于实测光谱的昆承湖水质遥感模型及反演[D].成都：成都理工大学，2010.

[34] 杨 婷，张 慧，王 桥，等.基于HJ-1A卫星超光谱数据的太湖叶绿素a浓度及悬浮物浓度反演[J].环境科学,2011，32(11):3207-3214.

[35] DUDA RO, HART PE, STORK DG. Pattern Classification[M]. 2nd ed. Wiley-Interscience: New York, NY, USA,2000:376.

Remote Sensing Estimation of Chlorophyll-a Concentration in Turbidity Water Based on Spectral Normalization

CHENG Chun-mei

(College of Geomatics and Municipal Engineering, Zhejiang University of Water Resources and Electric Power, Hangzhou 310018, China)

Spectral normalization is the method that unifies spectra to the same scale before data analysis, and this processing can weaken the impact of environmental factors on the spectrum. This study first discussed the impact of spectral normalization on the remote sensing inversion of chlorophyll-a concentration in water, and then proposed an improved two-band model based on the normalized spectra. Based on the in situ spectrum data in September-October, 2010 and April-May, 2010, Taihu Lake , China, this study compared the performance of the Chla estimation models built by the data before and after normalization, and the results show that spectral normalization increased spectral centralization of different samples at each wavelength, and the spectral normalization increased the model precision and validation precision of band ratio and first derivative model built by correlation analysis. A new two-band inversion modelRN(λ1)-1-RN(λ2)-1 was established based on the normalized spectra and was validated by the data in 2010 and 2011. Results show that the model and validation precision of the new combination were better than the band ratio model and the validation precision was better than the three-band and four-band models, indicating that the new combination can be a reference for the remote sensing estimation of chlorophyll-a concentration in turbidity water.

spectral normalization; chlorophyll-a concentration; water color remote sensing

2016-03-20

浙江省教育厅科研基金资助项目(Y201534666)

程春梅(1987-)，女，湖北武汉人，讲师，研究方向：水环境遥感与地理信息系统.

X131.2

A

1008-536X(2016)08-0058-08