基于GOCI影像的长江口及其邻近海域CDOM遥感反演及其日内变化研究

孙璐，蒋锦刚，朱渭宁*

(1.浙江大学 海洋学院 海岛海岸带研究所，浙江 杭州 310058)

基于GOCI影像的长江口及其邻近海域CDOM遥感反演及其日内变化研究

孙璐1，蒋锦刚1，朱渭宁1*

(1.浙江大学 海洋学院 海岛海岸带研究所，浙江 杭州 310058)

采用静止轨道海洋水色卫星(GOCI)数据对长江口及其邻近海域有色溶解有机物(CDOM)反演。以QAA-CDOM算法为基础，根据实测数据，利用BP神经网络模型来拟合QAA-CDOM算法中需要针对长江口水体进行优化的悬浮颗粒后向散射系数bbp与吸收系数ap的关系，从而准确估算CDOM的浓度。结果表明，反演结果准确度较高，平均相对误差为0.35。基于GOCI日内连续成像的优势，选取2014年3月15日8景GOCI影像，利用优化后的QAA-CDOM-BP算法，对长江口及其邻近海域CDOM的日内变化进行反演和分析，得到的变化规律如下：长江口及其邻近海域的CDOM日变化主要受潮流、长江径流等共同影响。长江口内CDOM浓度在涨潮期高于退潮期，由于受长江冲淡水的作用，CDOM从口外往外海区呈现逐渐递减趋势。

GOCI影像; 长江口; CDOM; QAA-CDOM算法；BP神经网络; 日变化特征

1 引言

有色溶解有机质(Colored Dissolved Organic Matter，CDOM)又称黄色物质，是存在于各种水体中的一类含有腐殖酸、富里酸和芳烃聚合物等物质的可溶性有机物，能够反映水体的性质组成[1]，经常被用来作为一种有效的示踪物，推断水生环境中溶解有机碳(DOC)的空间分布[2]。CDOM也是溶解有机物(DOM)的光敏部分[3-5]，因此利用遥感技术探察CDOM在大尺度上的时空分布可以为研究水生生态环境变化及有机碳循环提供一种有效手段[6-7]。近岸海域水体中CDOM的浓度主要受河流输入、浮游动植物、细菌和沉积物的影响。研究表明近岸CDOM的来源主要分为陆源和海源两大类，前者由陆地植物腐烂分解后随径流输入为主，后者主要以海水中浮游植物等微生物的降解产生[8]。长江口及邻近海域受潮汐活动、陆源径流输入等因素的强烈影响，加上特有的物理、化学条件，例如河口区特有的最大浑浊带中泥沙含量常常高于上下游河段几倍以至几十倍[9-10]，使河口海岸区域的CDOM的迁移降解过程更加复杂[11]。

GOCI(Geostationary Ocean Color Imager)作为世界上第一颗旨向海洋水色观测的静止卫星，设计用于提供高频率的影像覆盖，以提高海洋的观测能力。GOCI共有8个可见光及近红外波段(412 nm, 443 nm, 490 nm, 555 nm, 660 nm, 680 nm, 745 nm , 865 nm)[12]，空间分辨率为500 m，时间分辨率高(每小时更新一次)，可用于实时连续观监测海洋和沿海地区的水质。每天获取8景影像，数据幅宽为2 500 km×2 500 km，其覆盖范围包括韩国、中国、日本以及俄罗斯的海域。GOCI数据的出现为复杂区域水质的日循环变化研究带来了机遇。目前学者利用GOCI对叶绿素和悬浮泥沙这两种水色成分的研究较多，江彬彬等[13]以杭州湾及邻近海域为例反演了近岸悬浮泥沙浓度;郭宇龙等[14]发现GOCI对叶绿素三波段算法具有更高的稳定性和精度；Huang等[15]研究了太湖藻类逐时动态变化特征。利用GOCI对CDOM反演的研究还鲜有报道，以往的CDOM反演模型多为基于波段比的经验模型[16-17]，且反演精度较其他水色物质相对较低，如MODIS算法基础手册中提及该算法误差估计在35%～50%之间[18]，而在复杂区域，CDOM反演的难度会更大。近期提出的QAA-CDOM反演算法在北美等地的河口海岸地区已经有了一定的反演效果，但是其在长江口地区的适应性及其是否可用于GOCI影像尚未有深入的研究与验证。

本研究以GOCI为遥感数据源，采用6S大气校正技术，开展了以下3个方面研究：(1)基于BP神经网络模型优化QAA-CDOM算法，使之适用于长江河口及海岸带区域；(2)将QAA-CDOM-BP模型应用于GOCI数据，对研究区域的CDOM进行遥感反演；(3)从得到的小时级分辨尺度的CDOM反演结果，并结合该海域水动力环境解译长江口CDOM来源，分析长江口及邻近海域的CDOM分布规律及其环境影响因素。

2 材料与方法

2.1 研究区域概况

长江是我国最长的河流，其平均入海径流量约9.28×1011m3/a，占东海总径流量来源的84.4%[19]。长江口海区位于亚热带区域，属中纬度季风区，北面受苏北沿岸流的影响，东部有黑潮水与之交换，南面有台湾暖流上朔，西侧有长江、钱塘江等河流的输入，同时还受到上升流的影响，是我国乃至世界上最复杂的陆架海区之一[20]。

2.2 数据的获取

2.2.1 样品的采集与前处理

本研究的水样采集时间是2个长江口航次(2011年5月和2012年4月)，水样采集区域位于30°17′～31°32′N，121°21′～122°57′E(图1)，标注点的光谱曲线见图2。每个采样点现场采集水样后保存于经过同站位海水润洗过的棕色玻璃瓶中，以尽量减小容器对样品的污染。将水样置于120～140 mmHg的负压下，用经过酸和Milli-Q水处理过的0.2 μm的聚碳酸脂滤膜(事先用体积分数10%的盐酸浸泡15 min后，再用Milli-Q水充分淋洗进行过滤，滤液置于60 mL棕色玻璃瓶(预先于450℃下灼烧5 h)中。为避免水样发生光化学降解反应，所有滤液避光冷冻储藏并带回实验室处理。

图1 采样点分布示意图Fig.1 Sketch map of sampling point distribution

实验使用数据为2011年5月30条实测数据，2012年4月33条实测数据，共63条实测数据。野外实测光谱数据采集使用的是由美国分析光谱仪器公司( Analytical Spectral Devices)的ASD光谱仪(ASD Field Spec)，光谱采集方法为二类水体水面光谱测量法[21]。图2为选择不同类型水体水表面光谱曲线，所选样点的位置在图1标记。

图2 不同水体的遥感光谱Fig.2 Remote sensing spectra of different water bodies

2.2.2 CDOM的吸收光谱

测量前, 样品置于避光处升至室温。采用岛津UV-2550双通道紫外-可见分光光度计进行测定，使用10 mm的石英比色皿，以Milli-Q水作为参比，扫描波长范围380～890 nm, 扫描间隔1 nm。根据仪器得到样品的吸光度值，利用式(1)计算得到CDOM的吸收系数a(λ)[22-23]:

a(λ)=2.303D(λ)/L,

(1)

式中，L为比色皿光程(m)；D(λ)为仪器测定的CDOM吸光度。所有波长处的D(λ)通过减去683～687 nm处的平均吸光度来去除仪器的基线漂移和散射等影响[24]。

由于CDOM的溶解性及其在化学成分上的复杂性，CDOM的浓度通常用其光学属性，即吸收系数(一般为443 nm处)表示。

2.3 影像数据

本文采用的GOCI数据通过官方网站(http://kosc.kiost.ac) 下载，选择2014年3月15日08时28分至15时28分的8景GOCI影像，对影像进行辐射定标、几何校正、大气校正等操作。大气校正采用6S大气校正算法。前人研究表明[25]，当太阳天顶角小于50°时，各大气参数变化幅度较小；当太阳天顶角大于50°时，蓝光波段角度引起的相对偏差迅速升高，而其他波段在太阳天顶角大于60°时相对偏差才开始迅速升高，这是因为浑浊水体在这些波段的高反射率引起的。长江口2014年3月15日不同时刻太阳天顶角度数，9:28至14:28的太阳天顶角度数小于50°，8:28与15:28时刻太阳天顶角小于60°，所引起的相对偏差不大。

3 基于实测遥感反射率的反演模型建立

3.1 CDOM神经网络反演方法

表1 QAA算法的具体步骤

续表1

注：Rrs(λ)表示水表遥感反射率(在特定波长λ处，下同)；rrs(λ)表示水面下遥感反射率；a(λ)表示水的总吸收系数；aw(λ)表示纯水的吸收系数；bbp(λ)表示颗粒物后向散射系数。

图3 QAA算法反演验证结果Fig.3 Results of QAA algorithm inversion verification

QAA_v6的ag(443)计算方法认为ag(443)的吸收与412波段和443波段的总吸收变化段存在关系，也有学者认为ag(443)与bbp(555)存在相关，并提出QAA-CDOM扩展算法。本文的建模思路选择Zhu等[27-28]的QAA-CDOM扩展算法进行建模。

QAA-CDOM估算CDOM吸收有两个步骤：第一步是利用QAA估算的后向散射系数bbp(555)推算浮游植物和非藻类颗粒物的吸收系数之和ap(443)；第二步是从QAA估算的水体总吸收系数中减去第一步估算的ap(443)，从而获得CDOM的吸收系数ag(443)，具体步骤与公式见表2。此外，虽然浮游植物等生物性颗粒与泥沙矿物等无机颗粒物的吸收与反射特征有差异，但是以往的研究表明，在将两者合并为总悬浮颗粒的情况下，ap(443)和bbp(555)有一定程度的相关性[24,28]，因此可以用来估算CDOM的吸收ag(443)。

目前为止，还没有相关文献做有关QAA等半分析算法在长江口的优化与应用。考虑到QAA算法使用了更多的数据来开发和验证，因此本研究采用了QAA_v6算法及其各参数来计算bbp(555)、a(443)等变量，后续计算使用QAA-CDOM算法将ag从adg中分离出来。第一步推算ap(443)的过程中需要使用两个参数J1和J2，但是由于长江口河口区最大浑浊带中泥沙含量常常高于上下游河段几倍以至几十倍,而泥沙悬浮物对后向散射占很大比例的影响，原模型提供的J1和J2[28]的数值主要是根据墨西哥湾的水体拟合的，可能并不适用于长江口(步骤8)，因此相应参数使用本研究现场采集的数据进行了优化调整使模型更适用于长江口水域。本研究使用BP神经网络建立ap(443)和bbp(555)的之间的反演模型。

表2 QAA-CDOM的扩展算法：计算ag(443)

注：ag(λ)表示CDOM的吸收系数；ad(λ)表示非藻类颗粒物吸收系数；aph(λ)表示浮游植物吸收系数；ap(443)是aph(443)与ad(443)之和。

图4 QAA-CDOM算法框架示意图Fig.4 Schematic diagram of QAA-CDOM algorithm framework

3.2 QAA-CDOM-BP神经网络结构

BP神经网络结构是一个多层网络结构。多层BP网络不仅有输入节点、输出节点，而且还有一层或多层隐节点，各层之间的传递函数一般为S型函数，形式如下：

(2)

误差函数，对第p个样本误差计算公式为

(3)

式中，tpi、opi分别为期望输出和网络的计算输出。

BP神经网络模型是一种有教师指导训练方式的反馈神经网络，它是通过信号的正向传播和误差信号的逆向传播修改权值和阈值的过程反复进行，直到整个训练样本集的网络输出误差满足一定的精度要求或达到设定的训练次数为止。本项研究的神经网络模型的拓扑结构形式如图5所示。

图5 神经网络模型的拓扑结构Fig.5 Topological structure of neural network model

3.3 网络训练

由于利用人工神经网络方法必须对网络进行大量的训练，既要保障有足够的样品用于神经网络学习辩识传递函数，又要综合考虑节点数和实际要求[29]。而实测样本中CDOM吸收ag(443)范围为0.025～0.53 m-1，范围较窄，不能涵盖区域内吸收系数较高的点。因此本研究的训练样本选用实测数据(57组)和IOCCG(The International Ocean Colour Coordinating Group)提供的模拟数据(57组)，共有114组，其中IOCCG数据中CDOM吸收ag(443)范围为0.028～1.97 m-1。

基于ap(443)与bbp(555)之间物理相关性，将ag(443),a(443),aw(443)作为网络的输入数据，分为两组，其中约2/3数据(76组)作为训练样本集，剩下的数据(38组)作为验证样本集。

3.4 神经网络反演结果及比较

为方便比较QAA-CDOM-BP算法，MOON算法和YOC算法3种算法的反演效果，使用平均绝对百分误差(MAPE)和均方根误差(RMSE)作为对模型的评价标准。MAPE和RMSE的计算公式分别为:

(9)

(10)

式中，xmod为估算值，xobs为真实值，n为样本量的个数。

图6 BP神经网络训练结果(a)和验证结果(b)Fig.6 Results of BP neural network training(a), and verification results (b)

图7 Moon算法验证结果(a)和YOC算法验证结果(b)Fig.7 Results of Moon algorithm verification(a), and results of YOC algorithm verification(b)

通过反复训练和用已知数据来进行仿真验证计算，确定最终控制参数值，用以整个图像的神经网络计算。图6给出了用于神经网络计算的训练结果和验证结果。从图中可以看出，训练结果精度较高，CDOM吸收系数ag(443)训练结果的值略小于实测值，但整体上适用于长江口高浑浊水体。

GDPS(GOCI Data Processing System)归纳收录的CDOM的算法有两种，一种是基于波长412 nm和555 nm遥感反射比进行计算[30]，表达如下:

(4)

式中，c1=0.204 7,c2=-1.335 1。

另外一种是适用于我国黄、东海的YOC水色算法[31]，表达如下:

(5)

(6)

式中，c1=-0.99，c2=0.178 1，c3=2.18，c4=0.059。

图7为Moon算法与YOC算法的验证结果，验证样本数据集与验证BP神经网络训练结果的数据集为同一数据集。从结果看，这两种算法对于反演低浓度CDOM的能力尚可，但当ag(412)大于0.5后，Moon算法存在明显的高估现象，而YOC算法存在明显低估现象，且其反演结果不能拉开浓度梯度。

虽然沿岸水体中含有高浓度悬浮物时,悬浮物对后向散射光谱的影响占主导作用，对叶绿素和CDOM光谱的影响较大，从而减弱了CDOM与后向散射光谱之间的相关性，最终影响算法在二类水体的反演精度。但从总体上看，BP神经网络算法对CDOM吸收系数的反演是较为准确的，且该算法优于Moon算法与YOC算法。

4 基于GOCI数据的CDOM反演

4.1 GOCI影像大气校正效果分析

本项研究使用的大气校正模型为6S模型，校正需要输入以下参数:遥感器类型、成像年月日和经纬度、气溶胶浓度及类型、辐射条件、观测波段和海拔高度、地表覆盖类型和反射率等。此次大气校正的气溶胶光学厚度使用了MODIS AOT产品。根据长江口地理位置以及成像时间，确定气溶胶模式为中纬度冬季，气溶胶类型选择为大陆型气溶胶。6S模型输出的是大气校正参数xa、xb、xc，可以根据这3个参数计算得到大气校正后的反射率。如式(7)、式(8)所示。

y=xa×Li-xb，

(7)

ρ=y/(1+xc×y).

(8)

为了检验大气校正的效果，采用2012年4月26日的6个点位的实测Rrs数据模拟GOCI波段与相对应大气校正后GOCI影像上6个采样点位数据进行比较分析，图8为实测遥感反射率值与卫星影像8个波段的遥感反射率值散点图。

通过分析发现，经6S大气校正后的遥感影像Rrs值与实测Rrs值比较接近，各个波段的平均相对误差分别为21.1%、13.8%、11.5%、12.3%、16.5%、14.7%、42.8%、86.4%。本文所应用的波段为B2、B3、B4、B5、B6，其平均相对误差均小于16.5%，避开使用平均相对误差较大的B1、B7、B8这3个波段的Rrs。结果表明实测Rrs与大气校正后的GOCI影像Rrs相差较小，证明GOCI影像经过6S大气校正处理后的精度能够满足CDOM反演的要求。

图8 实测Rrs与GOCI影像Rrs对比Fig.8 Comparison of measured Rrs and derived Rrs by GOCI images

4.2 GOCI影像算法效果分析

2012年4月26日的卫星数据与地面6个样点数据匹配，为实测样点与GOCI的同步数据，采样点的参数如表3。因此，利用该天的GOCI影像数据，对反演结果进行评价。首先，选择与采样时间相近的GOCI影像进行CDOM吸收系数反演，其次，根据实测的CDOM吸收系数与反演结果进行对比分析。图9为6个样点影像反演的评价结果，总体上看，GOCI影像反演结果与实测结果相近，各个采样点的相对误差为0.25～0.44，6个点的平均相对误差为0.35，说明QAA-CDOM-BP模型适用于GOCI影像的CDOM的反演。

表3 2012年4月26日采样时间及对应影像数据

图9 2012年4月26日影像CDOM反演评价结果Fig.9 Evaluation results of CDOM inversion in April 26, 2012

4.3 CDOM浓度分布及日变化研究

4.3.1 CDOM空间分布规律

本项研究基于QAA-CDOM-BP模型，反演了2014年3月15日8景GOCI影像，分析长江口及邻近海域CDOM的日变化特征，结果表明，7：08至12：04为涨潮期，12：04至19：44为退潮期。从GOCI影像中可以看出，在涨潮期间，CDOM空间分布为长江口内北支高于南支浓度，北支浓度与口外接近；而在退潮期间，北支CDOM吸收系数明显下降，且低于口外CDOM吸收系数，南港、北港的CDOM吸收系数也出现逐渐下降现象。

从长江口外的整体趋势看，由于长江冲淡水的作用，CDOM往外海区呈现逐渐递减的趋势。为了直观显示长江冲淡水对长江口及其邻近区域的影响，选取了沿南槽出口水流切线方向的一条数据线进行绘图(选择的线段见图10a)，所选研究区域为从南槽口起，沿东南方向约26°的条带。对不同时间段的结果进行对比分析，图11显示了CDOM吸收系数ag(443)离河口距离的变化趋势。从图中可以看出，南槽口附近CDOM吸收系数明显高于外海，且退潮期间河口附近CDOM吸收系数较涨潮期也有一定升高，其中14:28南槽口CDOM吸收系数达到最高。南槽口CDOM吸收系数有2个峰值处，一方面可能是冲淡水与海流的交汇造成，另一方面在舟山群岛附近浓度较高，之后向外明显降低，这与前人研究结果相似[32]。根据经济状况推测应该与舟山群岛的人类活动有关，嵊泗岛是著名的旅游区，舟山群岛的人类活动所产生的水体污染也可能是该区域CDOM的来源。

4.3.2 CDOM空间差异性原因分析

对于长江口及邻近海域CDOM的来源主要可分为两类：(1)主要由江河径流携带而来的近岸地表径流的陆源输入。其中，黄浦江出口位于A2样点附近(图1)，CDOM浓度较高。黄浦江的水质以氮磷营养物为主，总磷、总氮和氨氮对水质的影响最大[33]，水体中含有较高浓度的污染物，其中许多是黄色物质的来源。因此黄浦江的汇入作为陆源输入贡献了一大部分的CDOM。(2)对于远离陆地的外海区，受海水的混合稀释作用影响，江河携带的有机物质大大减少，主要由海洋浮游植物有机体化学降解而形成[34]，使得CDOM浓度总体偏低[35]。

总体上看，长江口CDOM浓度低于世界上大部分的主要河口，这与前人的研究一致[36-37]。相比于全球各大河流流域，长江流域可能由于在过去几十年里快速的城市化[38-39]，植被覆盖较低，导致土壤有机质含量相对较低，因此长江口CDOM的浓度较低。此外，高浓度的悬浮物阻碍了光穿透水体，限制了上层浮游植物的光合作用。因此，在河口水域从光合作用中获取的水源CDOM明显减少[40]。

图10 2014年3月15日全天长江口及邻近海域CDOM遥感反演Fig.10 CDOM remote sensing inversion of Changjiang Estuary and its adjacent sea area in March 15, 2014

图11 CDOM水平面离河口距离变化趋势Fig.11 Variation trend of CDOM horizontal distance from estuary

由于海水与淡水的混合稀释，CDOM的浓度梯度从长江口往外海区呈现沿西北-东南方向降低的趋势。且随着离河口距离的增加，长江径流减弱，出现了浓度梯度[40]。长江径流占流入东海总水量的80.5%[41]，大量淡水入海，北港水道的CDOM则主要源于长江径流[42]，同时也为长江口附近水体带来了一定的陆源输入。南槽是长江的主要泄水通道，因而南槽水体受到黄浦江水体的影响比北港大[43]。杭州湾北岸与长江口毗邻，杭州湾是一个典型的“喇叭型”的强潮汐作用河口湾，江河所携带的不同陆源物质在杭州湾内汇集[35]。而外海区主要受东海表层水和大洋海水的混合稀释作用影响。

在长江口潮汐河口区，径流和潮流的相互作用强烈，水层结构极不稳定，垂向混合显著[10]。特别是在最大浑浊带及其附近水域，这种垂向湍流混合作用更加明显，而垂向混合过程对最大浑浊带CDOM的输移过程有重要的影响。因此河口区底部沉积物间隙水上泛的影响，也能使河口区CDOM吸收系数升高[44]。

5 结论

对于长江口高浊度水体，QAA_v6算法比Moon算法和YOC算法的精度存在明显改善。我们选择BP神经网络模型得到的模型结果，失效的数据比较少。从精度结果看，精度高于GOCI标准软件GDPS提供的Moon算法与YOC算法，但同时BP神经网络算法也存在一定的缺点，需要不断调试优化和人的经验参与辅助学习等。

本文以长江口及其邻近海域野外实测数据为基础，在QAA-CDOM算法基础上，建立了基于BP神经网络算法反演bbp(555)与ap(443)的关系，建立了适用于GOCI卫星数据的反演模型。利用2012年4月26日星地同步数据对模型进行验证，验证结果表明该模型可以应用于GOCI卫星数据的CDOM吸收系数反演。在此基础上分析了长江口及其邻近海域CDOM吸收系数分布及CDOM日变化情况，得到以下结论。

(1)基于QAA-CDOM算法的BP神经元网络法对CDOM吸收系数的反演是较好的方法，适用于长江口及其邻近海域CDOM反演。但总体而言，高浊度水域CDOM反演精度仍有待提高，原因是由于长江口及其邻近海域沿岸水体中含较高浓度的悬浮物，而悬浮物对后向散射光谱的影响占主导作用，对叶绿素和CDOM光谱的影响较大，从而减弱了CDOM与后向散射光谱之间的相关性，最终导致算法在复杂水体的反演精度相对较低。

(2)利用2014年3月15日的GOCI影像反演长江口及其邻近海域CDOM吸收系数，并对其日内变化时空特征进行了分析。结果表明，GOCI数据能够清晰展现CDOM吸收系数的空间分布，能够体现出水体受潮汐等外界因素影响而导致的CDOM吸收系数的变化。从日内变化来看，在涨潮期间，CDOM空间分布为长江口内北支高于南支浓度，北支浓度与口外接近；而在退潮期间，北支CDOM吸收系数明显下降，且低于口外CDOM吸收系数，南港、北港的CDOM吸收系数也出现逐渐下降现象。而海水与淡水的混合稀释，使CDOM的浓度梯度从长江口往外海区呈现沿西北-东南方向降低的趋势。

(3)利用GOCI数据高时间分辨率的特点，可以捕捉一天内CDOM的变化特征，有利于对CDOM循环过程进行实时监测，为进一步研究长江口及其邻近海域CDOM日循环变化特性及其驱动机制及河口演化规律提供了重要的观测数据。

[1] Rochelle-Newall E J, Fisher T R. Chromophoric dissolved organic matter and dissolved organic carbon in Chesapeake Bay[J]. Marine Chemistry, 2002, 77(1): 23-41.

[2] Ferrari G M. The relationship between chromophoric dissolved organic matter and dissolved organic carbon in the European Atlantic coastal area and in the West Mediterranean Sea (Gulf of Lions)[J]. Marine Chemistry, 2000, 70(4): 339-357.

[3] Ferrari G M, Dowell M D, Grossi S, et al. Relationship between the optical properties of chromophoric dissolved organic matter and total concentration of dissolved organic carbon in the southern Baltic Sea region[J]. Marine Chemistry, 1996, 55(3): 299-316.

[4] Mannino A, Russ M E, Hooker S B. Algorithm development and validation for satellite-derived distributions of DOC and CDOM in the U.S. Middle Atlantic Bight[J]. Journal of Geophysical Research Atmospheres, 2008, 113(C7): 827-830.

[5] Vodacek A, Blough N V, Degrandpre M D, et al. Seasonal variation of CDOM and DOC in the Middle Atlantic Bight: Terrestrial inputs and photooxidation[J]. Limnology & Oceanography, 1997, 42(4): 674-686.

[6] Castillo C E D, Miller R L. On the use of ocean color remote sensing to measure the transport of dissolved organic carbon by the Mississippi River Plume[J]. Remote Sensing of Environment, 2008, 112(3): 836-844.

[7] Maritorena S, Siegel D A. Consistent merging of satellite ocean color data sets using a bio-optical model[J]. Remote Sensing of Environment, 2005, 94(4): 429-440.

[8] 雷惠, 潘德炉, 陶邦一, 等. 东海典型水体的黄色物质光谱吸收及分布特征[J]. 海洋学报, 2009, 31(2): 57-62.

Lei Hui, Pan Delu, Tao Bangyi, et al. The spectral absorption and distribution characteristics of CDOM in the typical waters of the East China Sea[J]. Haiyang Xuebao, 2009, 31(2): 57-62.

[9] 沈焕庭. 长江河口最大浑浊带 [M]. 北京：海洋出版社, 2001.

Shen Huanting. Turbidity Maximum Zone of Yangtze Estuary[M]. Beijing: China Ocean Press, 2001.

[10] 沈焕庭, 贺松林. 中国河口最大浑浊带刍议[J]. 泥沙研究, 2001(1): 23-29.

Shen Huanting, He Songlin. On the turbidity maximum in the Chinese estuaries[J]. Journal of Sediment Research, 2001(1): 23-29.

[11] Goni M A, Cathey M W, Yong H K, et al. Fluxes and sources of suspended organic matter in an estuarine turbidity maximum region during low discharge conditions[J]. Estuarine Coastal & Shelf Science, 2005, 63(4): 683-700.

[12] 金惠淑, 鱼京善, 孙文超, 等. 基于GOCI遥感数据的湖泊富营养化监测研究[J]. 北京师范大学学报(自然科学版), 2013, 49(2/3): 271-274.

Jin Huishu, Yu Jingshan, Sun Wenchao, et al. Monitoring lake eutrophication by GOCI remote sensing[J]. Journal of Beijing Normal University (Natural Science Edition), 2013, 49(2/3): 271-274.

[13] 江彬彬, 张霄宇, 杜泳, 等. 基于GOCI的近岸高浓度悬浮泥沙遥感反演——以杭州湾及邻近海域为例[J]. 浙江大学学报:理学版, 2015, 42(2): 220-227.

Jiang Bingbing, Zhang Xiaoyu, Du Yong, et al. Retrieving high concentration of suspended sediments based on GOCI:An example of coastal water around Hangzhou Bay,China[J]. Journal of Zhejiang University: Science Edition, 2015, 42(2): 220-227.

[14] 郭宇龙, 李云梅, 李渊, 等. 一种基于GOCI数据的叶绿素a浓度三波段估算模型[J]. 环境科学, 2015, 36(9): 3175-3185.

Guo Yulong, Li Yunmei, Li Yuan, et al. A three band chlorophyllaconcentration estimation model based on GOCI imagery[J]. Environmental Science, 2015, 36(9): 3175-3185.

[15] Huang C, Shi K, Yang H, et al. Satellite observation of hourly dynamic characteristics of algae with Geostationary Ocean Color Imager (GOCI) data in Lake Taihu[J]. Remote Sensing of Environment, 2015, 159: 278-287.

[16] Tassan S. Local algorithms using SeaWiFS data for the retrieval of phytoplankton, pigments, suspended sediment, and yellow substance in coastal waters[J]. Applied Optics, 1994, 33(12): 2369-2378.

[17] Harvey E T, Kratzer S, Andersson A. Relationships between colored dissolved organic matter and dissolved organic carbon in different coastal gradients of the Baltic Sea[J]. Ambio A Journal of the Human Environment, 2015, 44(S): S392-S401.

[18] Carder K L, Chen F R, Lee Z, et al. MODIS ocean science team algorithm theoretical basis document[J]. ATBD, 2003, 19(Version 7): 7-18.

[19] 吴稳. 长江口水文环境信息与水下地形三维可视化应用研究[D]. 上海: 华东师范大学, 2010.

Wu Wen. A study on three-dimensional visualization of hydrological and topographic data of Changjiang Estuary[D]. Shanghai: East China Normal University, 2010.

[20] 张述伟, 王江涛, 李宁, 等. 2010年春季长江口邻近海区水体中溶解有机碳、氮的分布特征及其影响因素[J]. 海洋环境科学, 2013, 32(1): 33-38.

Zhang Shuwei, Wang Jiangtao, Li Ning, et al. Dissolved organic carbon and nitrogen in Changjiang Estuary and adjacent sea areas in spring [J]. Marine Environmental Science, 2013, 32(1): 33-38.

[21] 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, 8(1): 37-44.

Tang Junwu, Tian Guoliang, Wang Xiaoyong, et al. The methods of water spectra measurement and analysis Ⅰ: Above-water method[J]. Journal of Remote Sensing, 2004, 8(1): 37-44.

[22] Hu C, Muller-Karger F E, Zepp R G. Absorbance, absorption coefficient, and apparent quantum yield: A comment on common ambiguity in the use of these optical concepts[J]. Limnology & Oceanography, 2002, 47(4): 1261-1267.

[23] Bricaud A, Morel A, Prieur L. Absorption by dissolved organic matter of the sea (yellow substance) in the UV and visible domains 1[J]. Limnology & Oceanography, 1981, 26(1): 43-53.

[24] Babin M, Stramski D, Ferrari G M, et al. Variations in the light absorption coefficients of phytoplankton, nonalgal particles, and dissolved organic matter in coastal waters around Europe[J]. Journal of Geophysical Research, 2003, 108(C7): 4-1-4-20.

[25] 郝艳玲. 黄河口水体生物光学性质逐时变化的静止海洋水色卫星遥感探测研究[D]. 青岛: 中国海洋大学, 2012.

Hao Yanling. Detection of hourly variability of bio-optical properties in the Yellow River Estuary by geostationary satellite ocean color images[D]. Qingdao: Ocean University of China, 2012.

[26] Lee Z, Lubac B, Werdell J, et al. An update of the quasi-analytical algorithm (QAA_v5) [R].International Ocean Color Group Software Report, 2009:1-9,

[27] Zhu W N, Yu Q. Inversion of chromophoric dissolved organic matter from EO-1 hyperion imagery for turbid estuarine and coastal waters[J]. IEEE Transactions on Geoscience & Remote Sensing, 2013, 51(6): 3286-3298.

[28] Zhu W N, Yu Q, Tian Y Q, et al. Estimation of chromophoric dissolved organic matter in the Mississippi and Atchafalaya river plume regions using above-surface hyperspectral remote sensing[J]. Journal of Geophysical Research Atmospheres, 2011, 116(C2): 434-441.

[29] Keiner L E, Yan X H. A neural network model for estimating sea surface chlorophyll and sediments from thematic mapper imagery[J]. Remote Sensing of Environment, 1998, 66(2): 153-165.

[30] Moon J E, Park Y J, Ryu J H, et al. Initial validation of GOCI water products against in situ data collected around Korean Peninsula for 2010—2011[J]. Ocean Science Journal, 2012, 47(3): 261-277.

[31] Siswanto E, Tang J, Yamaguchi H, et al. Empirical ocean-color algorithms to retrieve chlorophyll-a, total suspended matter, and colored dissolved organic matter absorption coefficient in the Yellow and East China Seas[J]. Journal of Oceanography, 2011, 67(5): 627-650.

[32] 朱伟健. 长江口及邻近海域有色溶解有机物(CDOM)的光学特性和遥感反演的初步研究[D]. 上海: 华东师范大学, 2010.

Zhu Weijian. Optical properties and remote sensing retrieval of Colored Dissolved Organic Materials (CDOM) in Yangtze Estuary and adjacent waters[D]. Shanghai: East China Normal University, 2010.

[33] 潘孝辉, 吴敏, 王悦. 黄浦江水环境污染风险的模糊数学综合评价[J]. 四川环境, 2008, 27(6): 60-62.

Pan Xiaohui, Wu Min, Wang Yue. Fuzzy comprehensive assessment of water pollution conditions of Huangpu River[J]. Sichuan Environment, 2008, 27(6): 60-62.

[34] 邢小刚，赵冬至，刘玉刚. 渤海非色素颗粒物和黄色物质的吸收特性研究[J]. 海洋环境科学, 2008, 27(6):595-598.

Xing Xiaogang, Zhao Dongzhi, Liu Yugang, et al. Absorption characteristics of de-pigmented particle and yellow substance in Bohai Sea[J]. Marine Environmental Science, 2008, 27(6):595-598.

[35] 范冠南, 毛志华, 陈鹏, 等. 长江口及其邻近海域CDOM光谱吸收特性分析[J]. 海洋学研究, 2013, 31(1): 53-58.

Fan Guannan, Mao Zhihua, Chen Peng, et al. Optical characteristics of colored dissolved organic matter(CDOM) in Changjiang River Estuary and its adjacent sea areas[J]. Journal of Marine Science, 2013, 31(1): 53-58.

[36] Guo Weidong, Yang Liyang, Zhai Weidong, et al. Runoff-mediated seasonal oscillation in the dynamics of dissolved organic matter in different branches of a large bifurcated estuary&mdash: The Changjiang Estuary[J]. Journal of Geophysical Research Biogeosciences, 2014, 119(5):776-793.

[37] Pan Delu, Liu Qiong, Bai Yan. Progress in remote sensing of DOC: Based on the analysis of conservative behaviors of DOC and CDOM in global large rivers estuaries[J]. Acta Oceanologica Sinica, 2012, 34(4):1-9.

[38] Huang Y, Salama M S, Krol M S, et al. Estimation of human-induced changes in terrestrial water storage through integration of GRACE satellite detection and hydrological modeling: A case study of the Yangtze River basin[J]. Water Resources Research, 2015, 51(10): 8494-8516.

[39] Huang Y, Salama M S, Su Z, et al. Effects of roughness length parameterizations on regional-scale land surface modeling of alpine grasslands in the Yangtze River Basin[J]. Journal of Hydrometeorology, 2016, 17(4): 1069-1085.

[40] Yu Xiaolong, Shen Fang, Liu Yangyang. Light absorption properties of CDOM in the Changjiang (Yangtze) estuarine and coastal waters: An alternative approach for DOC estimation[J]. Estuarine Coastal & Shelf Science, 2016, 181: 302-311.

[41] 金翔龙. 东海海洋地质[M]. 北京: 海洋出版社, 1992.

Jin Xianglong. Marine Geology of the East China Sea[M]. Beijing: China Ocean Press, 1992.

[42] 李奕洁, 宋贵生, 胡素征, 等. 2014年夏季长江口有色溶解有机物(CDOM)的分布、光学特性及其来源探究[J]. 海洋与湖沼, 2015, 46(3): 670-678.

Li Yijie, Song Guisheng, Hu Suzheng, et al. Optical characterization and distribution of chromophoric dissolved organic matter (CDOM) in the Changjiang River Estuary in July 2014[J]. Oceanologia et Limnologia Sinica, 2015, 46(3): 670-678.

[43] 朱伟健, 沈芳, 洪官林. 长江口及邻近海域有色溶解有机物(CDOM)的光学特性[J]. 环境科学, 2010, 31(10): 2292-2298.

Zhu Weijian, Shen Fang, Hong Guanlin. Optical characteristics of colored dissolved organic material (CDOM) in Yangtze Estuary[J]. Environmental Science, 2010, 31(10): 2292-2298.

[44] Bodineau L, Thoumelin G, Béghin V, et al. Tidal time-scale changes in the composition of particulate organic matter within the estuarine turbidity maximum zone in the Macrotidal Seine Estuary, France: the use of fatty acid and sterol biomarkers[J]. Estuarine Coastal & Shelf Science, 1998, 47(1): 37-49.

Remote sensing inversion and daily variation of CDOM based on GOCI in the Changjiang Estuary and adjacent waters

Sun Lu1, Jiang Jin’gang1, Zhu Weining1

(1.InstituteofIslandsandCoastalEcosytems,OceanCollege,ZhejiangUniversity,Hangzhou310058,China)

GOCI satellite data is adopted to retrieve high concentrations of colored dissolved organic matter in coastal waters of Changjiang Estuary. The inversion model is based on QAA-CDOM algorithm and field measured data. The BP neural network was used to fit the relationship between bbp(555) and ap(443), which is used in QAA-CDOM and needs to be optimized for the water in the Changjiang Estuary. The results show that the inversion accuracy is excellent with mean relative error 0.35. Then based on advantage of GOCI’s serial imaging, 8 images acquired in March 15, 2014 were inverted and analysed for CDOM daily variations in Changjiang Estuary and its adjacent seawater. The obtained the CDOM variation pattern is that CDOM in Changjiang Estuary and its adjacent seawater is mainly impacted by tides and the discharge of Changjiang. Inside the Changjiang Estuary, due to the effect of Changjiang diluted water, CDOM concentration in high tide is higher than that in the low tide, and it showed gradually decreasing trend from the estuary to the open sea.

GOCI image; Changjiang Estuary; CDOM; QAA-CDOM algorithm; BP neural network; daily variation characteristics

10.3969/j.issn.0253-4193.2017.09.013

2016-10-19；

2017-03-01。

国家自然科学基金面上项目(41471346)；国家自然科学青年基金项目(41401404)；海洋公益性行业科研专项经费项目(201005030-06)。

孙璐(1991—)，女，浙江省余姚市人，主要研究方向为环境遥感。E-mail:sunluu@zju.edu.cn

*通信作者：朱渭宁(1973—)，副教授，主要研究方向为环境遥感与地理信息科学。E-mail:zhuwn@zju.edu.cn

TP79

A

0253-4193(2017)09-0133-13

孙璐，蒋锦刚，朱渭宁. 基于GOCI影像的长江口及其邻近海域CDOM遥感反演及其日内变化研究[J]. 海洋学报, 2017, 39(9): 133-145,

Sun Lu, Jiang Jin’gang, Zhu Weining. Remote sensing inversion and daily variation of CDOM based on GOCI in the Changjiang Estuary and adjacent waters[J]. Haiyang Xuebao, 2017, 39(9): 133-145, doi:10.3969/j.issn.0253-4193.2017.09.013