基于Landsat8影像反演洪湖叶绿素a浓度

周志立，田文俊，梅新

(湖北大学资源环境学院,湖北 武汉 430062)

基于Landsat8影像反演洪湖叶绿素a浓度

周志立，田文俊，梅新

(湖北大学资源环境学院,湖北 武汉 430062)

利用已有水质采样数据和相应的Landsat8影像数据，以洪湖为例，对洪湖叶绿素a(Chl-a)浓度进行反演研究，建立线性反演模型和支持向量回归机反演模型，为快速获取洪湖水体叶绿素a浓度提供新的技术方案.结果表明支持向量回归机反演模型在样本数较少的情况下也能得到较高的反演精度，并且具有结构风险较小的优点，拟合函数的判定系数达0.918，能有效评估湖泊水质，为洪湖水环境监测保护提供有力支持.

叶绿素a ；支持向量回归机； Landsat8； 洪湖； 遥感

0 引言

自2007年太湖发生蓝藻危机事件后，国内对湖泊营养化监测更加重视，叶绿素a(Chl-a)浓度是浮游植物分布的指示剂，是衡量水体初级生产力和营养化的基本指标[1].快速准确地监测湖泊叶绿素a浓度对湖泊水环境管理有着重要意义.

遥感数据获取周期短，信息量巨大，目前已有众多学者对使用遥感影像反演水体叶绿素a(Chl-a)浓度进行了研究，并建立了相应的反演模型. 张丽华，戴学芳等利用TM影像波段组合与实测叶绿素a浓度数据建立了乌梁素海的叶绿素a浓度反演模型，为乌梁素海“黄苔”预警提供理论依据[2].朱利，李云梅等研究发现利用GF-1卫星WFV数据与水质参数建立的反演模型能有效反应叶绿素a的空间变化规律[3].黄灵光，方豫等利用Landsat-8 OLI数据建立了与鄱阳湖叶绿素a实测数据间的反演模型，模型精度高达0.816[4]. 这些研究表明使用遥感影像能有效反演湖泊水体叶绿素a浓度，并能取得较高的精度.

但是目前对于江汉平原浅水湖泊水质的遥感反演研究仍然较少，具体的反演方法及反演精度评估等仍研究不足，本文中以湖北省洪湖为研究区域，结合实测洪湖叶绿素a浓度数据与Landsat8 OLI影像数据，运用线性回归与支持向量机回归方法拟合二者之间的函数关系，并对反演结果进行综合评估，以期找到较为快捷合适的方法，为快速获取洪湖叶绿素a浓度提供一种解决方案.

1 研究区与研究数据

图1 采样点分布图

洪湖地处长江中游北岸，跨湖北省东南部洪湖、监利二市(县)，处于江汉平原四湖水系尾端,是长江和汉水支流东荆河之间的洼地壅塞湖.汇水区域5 025 km2，现存水面积344 km2，是湖北省最大的湖泊，也是我国第七大淡水湖泊.洪湖平均水深1.34 m，最大水深2.30 m，最小水深0.40 m，属大型浅水湖泊.洪湖还兼具供水、灌溉、湿地生物栖息地、养殖、航运和旅游等多种功能，在江汉平原乃至长江中下游湖泊中具有代表性和典型性[5].

2013年4月24日至4月26日实地取样测得的洪湖水质数据共43个点，各采样点在湖面均匀分布，分布情况如图1所示.叶绿素a浓度数据根据2003年国家环保总局发布的地表水和污水检测技术规范采集，存储水样，在实验室内采用分光光度法，换算得到叶绿素a含量，采样点分布及具体数值如表1所示.

表1 采样点具体数值表

本文中所使用的洪湖所在区遥感影像为Landsat8 OLI_TIRS影像，采用的是时间上最接近的2013年4月26号，行号为123，带号为39的影像.并采用ENVI5.1软件对影像进行辐射定标及大气校正处理，获取所需的反射率数据.

2 反演模型的建立

2.1 研究方法 利用准同步的Landsat 8 OLI_TIRS遥感数据和实地监测的叶绿素-a数据，分析波段及波段组合与水质参数间的相关系数，优选拟合参数与自变量，分别建立基于统计分析的多元线性反演模型和支持向量机的非线性反演模型，并对模型精度进行对比分析.

2.2 数据分析 本文中主要使用Landsat8 OLI多光谱7个波段数据进行反演分析，各波段与叶绿素a(Chl-a)的相关系数如表2所示，从表2中可以看出B2-B4与叶绿素a浓度相关度较大，其他波段与之相关度较低，相关度最高的为Chl-a与B4，相关系数为0.631，但是仍为较低水平.众多学者研究发现，遥感影像单波段间存在较多冗余信息，使用波段组合能突出叶绿素a在水体反射率中的影响.但是受湖泊水体环境，水质信息采集时间以及遥感影像波长等众多因素影响，不同湖泊下叶绿素a浓度与影像波段组合间的相关性大小不尽相同.在本文研究区域下，叶绿素a浓度与波段组合间的相关性如表3所示：

表2 Landsat8单波段与Chl-a相关性

表3 叶绿素a浓度与波段组合相关性

从表3可以看出，叶绿素a浓度与波段组合间的相关性较单一波段间有较大提高，其中Chl-a与B4/(B1+B2)间的相关性高达0.783，波段组合能有效提高两者间的相关系数，这与相关学者对利用遥感影像反演水体叶绿素a含量的研究大致相同.

2.3 线性回归模型的建立 随机选取43个采样点中的34个点作为训练集，剩余9个点作为测试集建立回归模型.结合相关系数最大的几个波段组合分别建立线性回归模型和支持向量回归模型，以模型的判定系数(R2)和均方误差(MSE)作为评价指标.

对于反演Chl-a的多元线性回归模型，选取B1、B4、B4/(B1+B2)作为自变量建立多元线性回归模型，模型采用SPSS19构建，显著性水平为0.05时，回归方程如下所示：

cChl-a=51.596-41.911X1-0.107X2+0.076X3

(1)

式中cChl-a为叶绿素a浓度，X1为B4/(B1+B2)，X2为B1，X3为B4.

该回归方程在训练集和测试集上的拟合效果如图2和图3所示：

图2 线性模型训练集拟合图

图3 线性模型测试集拟合图

从图2可以看出，在训练集上多元线性回归模型判定系数仅为0.687，拟合精度较低，均方误差(MSE)为1.874，误差较大；在预测集上R2仅为0.594，MSE高达3.781，模型适应能力较低，模型精度不足以用来表示光谱信息与Chl-a间的函数关系.由于洪湖水体为典型的二类水体，水体成分复杂并相互影响，导致水体的光学特征较为复杂，且构建回归模型的训练集较少，很难用简单的线性模型来描述水体Chl-a含量和相对应遥感波段反射率间的复杂关系，因此，考虑采用支持向量回归机来构建回归模型.

2.4 支持向量回归机模型的建立 支持向量机(SVM，support vector machine)是由Vapnik首先提出的，它基于统计学理论，可用于模式分类和非线性回归.支持向量机较好地解决了以往困扰很多学习方法的小样本、非线性、过学习、高维数、局部极小值等实际问题，具有很强的推广能力[6]. 本文中利用支持向量机，以部分数据为训练集，寻找最优超平面，并在实测数据上进行测试，寻求最佳的反演模型，具体求解过程如下.

SVM的回归模型构造过程：以B2至B4共3个波段为输入变量，并在输入变量中分别加入表3中与各个水质参数相关系数较大的波段组合，为了得到满意的预测效果，提高支持向量机的收敛速度，消除采样数据大小对计算结果的影响，首先对采样数据进行归一化处理，本文中采用极差化处理方法，即：

(2)

式中xmax，xmin分别为采样数据中的最大值和最小值.

SVM回归模型的构造在MATLAB2010b下进行，利用台湾大学林智仁(Lin Chih-Jen)教授开发的LIBSVM程序库[7]，以B2,B3,B4以及B4/(B1+B2)为输入变量，通过调节惩罚参数C、不敏感损失函数ε和核函数参数γ建立回归模型，若模型在训练集和测试集上回归效果均较好，则此模型为已训练好的模型，否则，调整参数重新训练.判断模型是否训练成熟主要考察判定系数(R2)和均方误差(MSE).

通过调节参数发现当惩罚系数C为2.512 6，不敏感损失函数ε值为0.01，核函数参数γ为6.912 2时拟合效果最佳.该回归方程在训练集和测试集上的拟合效果如图4、5所示.

图4 SVM训练集拟合图

图5 SVM测试集拟合图

从图4和图5中可以看出，使用支持向量回归机建立的模型在训练集上判定系数为0.918，均方误差为0.018，拟合效果较好，精度较高；在测试集上判定系数能达到0.825，MSE仅为0.203，表现出模型良好的适应能力.拟合效果较多元线性模型有了较大提升.

3 结果分析

图6 2013年4月26日洪湖叶绿素a浓度分布图(mg/m3)

本文中以湖北省洪湖为研究对象，分析了2013年4月24日至4月26日采集的水样叶绿素a(Chl-a)含量与时间较为接近的2013年4月26日Landsat8影像各波段间的相关性，分别建立了多元线性回归模型和支持向量回归机模型.研究表明，使用波段组合能显著提高水质参数与光谱数据间的相关性，其中B4/(B1+B2)波段组合与叶绿素a含量间的相关性最高.同时使用支持向量回归机能建立精度较高的反演模型，该模型在训练集和测试集上拟合判定系数均高于80%，均方误差仅有0.2左右，模型精度足够反演洪湖水体叶绿素a含量，体现出支持向量机在小样本、非线性回归问题上良好的性能.为了解整个湖区的叶绿素a浓度，验证模型的反演效果，本文中利用建立好的支持向量回归模型反演了整个湖区的叶绿素a浓度，并制作了叶绿素a分布图，如图6所示.

根据国际公认的叶绿素a含量六段分级标准对叶绿素a浓度分布图分段[8]. 通过图6可以看出，洪湖大部分区域属于中营养化(叶绿素a含量<10)，湖区中部偏东叶绿素a含量较低；西北大片区域以及西南小部分区域叶绿素a含量较高(叶绿素a含量>10)属于轻富营养化；湖区整体呈中营养化至轻富营养化，营养化程度呈现由西北向东南递减趋势.

洪湖地区以北方向主要为农业区并接受四湖总干渠来水，农业生产中较多的氮磷污染物随干渠流入湖中，且洪湖周边围网养殖较为严重，养殖生产中的饵料对水体产生了较为严重的污染，并且围网阻碍了水体流动；湖区东部与长江间仅有较少的农田且与长江有若干涵闸相连，湖水受污染较少.图6所表现出的洪湖水体质量与其自然经济环境较为符合，体现出反演结果真实可信.

4 结论

1) 洪湖水体叶绿素a浓度与Landsat8单波段相关度较低，使用波段组合提高相关性，其与波段组合B4/(B1+B2)相关性最高，可以通过光谱信息反演叶绿素a浓度.

2) 支持向量回归机在反演洪湖叶绿素a浓度上较多元线性回归反演精度更高，判定系数高达0.8以上，体现出支持向量机在小样本非线性问题上的优势，其建立的模型能够用于反演洪湖叶绿素a浓度.通过分析发现，洪湖水体整体呈中营养化至轻富营养化，湖泊水质环境问题较为严峻.

3) 本文中仅对洪湖叶绿素a浓度进行了反演分析，深入分析洪湖水体质量需要更多的水质参数；并且在反演方法上仅使用了线性和支持向量回归，对于神经网络和遗传算法并未研究.这些将是下一步的研究方向.

[1] 杨一鹏,王桥,肖青,等.基于TM数据的太湖叶绿素a浓度定量遥感反演方法研究[J].地理与地理信息科学,2006,22(2):3-8.

[2] 张丽华,戴学芳,包玉海，等.基于TM影像的乌梁素海叶绿素a浓度反演[J].环境工程, 2015,33(6):133-138.

[3] 朱利，李云梅，赵少华,等.基于GF-1号卫星WFV数据的太湖水质遥感监测[J].国土资源遥感, 2015,27(1):451-456.

[4] 黄灵光，方豫，张大文,等.基于Landsat-8 OLI的鄱阳湖叶绿素a浓度定量反演[J].江西科学,2016, 34(4):228-234.

[5] 胡德玉,陈德林,艾天成.1990—2000年洪湖水体环境质量演变分析[J].湿地科学,2006,4(2):115-120.

[6] 唐发明.基于统计学理论的支持向量机算法研究[D].武汉：华中科技大学,2005:1-2.

[7] Chang Chih-Chung, Lin Chih-Jen. LIBSVM: a library for support vector machines[J].ACM Transactions on Intelligent Systems and Technology, 2011, 27(2):389-396.

[8] 高阳俊,曹勇,赵振,等.基于叶绿素a分级的东部湖区富营养化标准研究[J].环境科学与技术, 2011,34(12):218-220.

(责任编辑 游俊)

Quantitative retrieval of chlorophyll-a concentration by remote sensing in Honghu Lake based on Landsat8 data

ZHOU Zhili, TIAN Wenjun, MEI Xin

(Faculty of Resources and Environmental Science, Hubei University, Wuhan 430062, China)

In order to provide a new technology that make fast acquisition of chlorophyll-a, two models: linear regression model and a support vector regression (SVR) model were established on the basis of the analysis of correlation between water quality sampling data and Landsat8 image.The results show that the support vector regression model can have high precision even with less samples,and has the advantage of minimum structure risk too.The SVR model coefficient of determination reaches 0.918,it can be used to evaluate lake water quality and represent powerful support for Honghu Lake water environmental protection.

chlorophyll-a; support vector regression; Landsat8; Honghu Lake; remote sensing

2016-07-27

湖北省自然科学基金(2012FFB00305)资助

周志立(1990-)，男，硕士生，E-mail：zhou_zhili@foxmail.com； 梅新，通信作者，博士，副教授， E-mail：xin.mei@qq.com

1000-2375(2017)02-0212-05

X832

A

10.3969/j.issn.1000-2375.2017.02.020