河口及近岸海域水体叶绿素浓度反演方法综述

张棋斐, 吴志峰, 解学通

广东省地理国情监测与综合分析工程技术研究中心，广州大学地理科学学院，广州 510006

河口及近岸海域水体叶绿素浓度反演方法综述

张棋斐, 吴志峰*, 解学通

广东省地理国情监测与综合分析工程技术研究中心，广州大学地理科学学院，广州 510006

由于近岸河口地区水体复杂的光学特性, 以往大洋一类水体的叶绿素a反演方法已不再适用。为提高河口及近岸海域水体叶绿素a浓度反演精度, 具体从水体组分复杂性和光谱响应差异性两个方面描述河口及近岸水体光学特性的不确定性; 分析影响河口及近海水体叶绿素 a浓度反演精度的关键因素, 总结归纳近十年来水体光谱数据处理方法及河口及近岸海域水体叶绿素 a浓度遥感反演方法; 最后从反演算法、数据处理和算法体系三个方面, 对河口及近岸浑浊水体提高反演叶绿素精度提出几点展望。

河口; 近岸海域; 叶绿素a; 遥感; 反演

1 前言

近年来, 随着经济发展和人类活动的影响, 河口及近岸海域水体富营养化现象时有发生, 水质不断恶化, 严重影响人类宜居环境与经济的健康可持续发展。叶绿素a浓度是指示水体富营养化的一个重要指标[1], 也是水色遥感中重要的反演参数之一[2], 叶绿素 a浓度能够直观的反映水体的富营养化程度, 评价水质的健康状况、有机污染程度[3]。通过对叶绿素a浓度进行估算能够定量地了解水体基本生态信息, 评估人类活动及外部环境变化对水体生态系统所造成的影响[4]。因此, 如何准确、及时、大范围地获取河口及近岸海域水体叶绿素a浓度变得尤为重要。对比常规监测方法, 利用遥感技术迅速、准确、大范围地反演河口及近岸海域水体叶绿素 a浓度具有不可替代的优越性[5]。自20世纪70年代以来, 众多学者针对水体叶绿素 a遥感反演建立起不同的估算模型, 并在大洋一类水体取得较好的反演效果[6]。

遥感反演水体叶绿素a浓度的精确度很大程度取决于叶绿素 a最佳敏感波段的选择; 然而, 与大洋一类水体不同, 近岸河口地区处于海陆交汇作用的强地带, 水体组成成分复杂, 众多水色要素共同主导光学特性, 给河口及近岸海域水体叶绿素 a浓度的反演带来很大的不确定性, 应用大洋一类水体的反演方法难以满足反演的精度要求。因此, 本文从水体组分复杂性和光谱响应差异介绍河口及近岸水体特征; 分别从光谱数据处理与模型改进两方面,对目前河口及近岸海域水体叶绿素a浓度遥感监测方法进行总结归纳; 最后, 在文献综述的基础上探讨针对该类水体如何提高叶绿素 a反演精度, 以期为进一步开展河口及近岸海域水体的水质遥感监测工作以及建立相关模型提供参考。

2 河口及近岸海域反演复杂性

2.1 水体组分复杂性

河口及近岸海域水体受陆源物质的影响严重,水体组分较为复杂, 水体光学特性共同受浮游植物色素、悬浮颗粒物以及有色可溶解性有机物(CDOM)等物质的影响。此外, 河口及近岸海域地区水体组分受涨落潮及近海环流水体交换作用的影响, 水体悬浮物浓度整体较高、水体组分分布具有时空多变性等特征。

大洋一类水体的光学特性主要由浮游植物色素所主导, 水体中有色可溶解性有机物与浮游植物具有伴生关系[6]。而近岸河口地区水体受上游地表径流注入、工业与居民生活污水的影响, 水体中的有色可溶解性有机物与当地的浮游植物之间不存在共生关系; 水体中的光学活性物质相互独立, 光学特性受几种物质独立影响, 每一种水色因子又包含多种组分, 不同组分光谱之间存在复杂的耦合作用机制给叶绿素浓度反演带来了众多不确定因素。

2.2 光谱响应差异性

河口及近岸地区处于水体交换作用的强地带,受人类活动影响显著, 水体各组分浓度差异较大,导致光谱响应规律存在显著差异。这些因素共同导致机理模型与经验/半经验模型应用于河口及近岸水体水质参数反演的精度问题, 因此针对该类水体需要通过大量的野外实验量化其水质参数与光谱的响应关系。此外, 在高悬浮物浓度及有色可溶解性有机物的影响下, 一方面使得水体组分反演的特征信号可能会被掩盖, 出现模棱两可的现象; 另一方面限制了反演特征波段的使用, 不能可靠的根据宽波段的卫星平台反演水质参数。

3 光谱数据处理方法

河口及近岸海域水体的物质组成复杂, 水体中悬浮物等众多水色要素对叶绿素a特征波段产生显著影响。众多研究表明, 对光谱数据进行预处理将显著削弱光谱背景信息的影响，有效提高模型的反演精度。因此, 本文在前人的基础上总结了目前常用的光谱数据处理方法。

3.1 光谱基线校正

基线校正又称为背景校正, 利用光谱反射率减去基线值, 以削弱水体其他组分对叶绿素 a光谱信息的影响, 突出水体中叶绿素a光谱信息, 使得测量结果能在同一个标准上比较[7]。Althuis等[8]依据水体在750 nm处反射率近似为零的特点, 将750 nm的反射率作为水体的光谱基线; Mustapha等[9]则将波长为685 nm的反射率作为基线, 以去除浑浊水体对叶绿色a反演精度的影响; 而Wang等[10]则利用波长740 nm处反射率作为基线。韦玉春[7]与刘朝相等[11]分别利用750 nm与500—750 nm反射率值连线作为水体的光谱基线, 以去除浑浊水体对叶绿色 a反演精度的影响, 结果均表明光谱基线校正在一定程度上提高叶绿素a浓度的反演精度。

3.2 导数光谱法

对光谱进行一阶求导可以很好的消除水面的菲涅尔(Fresnel)反射效应[12], 二阶导数可以很好的消除天空光以及悬浮物的影响[13](公式 3-1、3-2), 这为在高悬浮物浓度的河口近岸水体准确地估算叶绿素浓度提供了可能。相关研究表明, 对实测光谱进行求导后, 可以很好的消除混浊水体背景因素的影响, 从而突出浮游植物吸收系数特征[14–16]。

3.3 光谱平滑法

光谱平滑法从分析化学领域引入用于平滑水体光谱。利用平滑算法对光谱数据平滑, 削弱光谱中的噪声干扰, 提高信号的信噪比, 从而突出数据的总体特征。目前, “移动平均法(Moving)”和“Savitzky-Golay多项式平滑(SG)”是较为常用的平滑算法。韦玉春等[17]通过设定不同分布类型干扰和不同干扰强度, 对比四种平滑算法的效果, 得出核回归算法更适用于水面光谱平滑处理的结论。程春梅等[18–19]探讨了平滑处理对反演叶绿素a浓度的应用精度和改进程度, 进一步表明了光谱平滑法能有效提高水体叶绿素a反演的精度。

4 河口及近岸海域水体叶绿素a反演方法

4.1 叶绿素荧光法

1977年Morel与Neville分别通过分析不同色素浓度水体的水表面反射比曲线以及利用机载光谱仪的验证, 确定了685 nm处的峰值为叶绿素荧光峰[20–21]。此后, 叶绿素荧光算法被广泛地应用到叶绿素浓度反演中。目前, 国内外相关研究揭示叶绿素荧光法中的荧光基线高度法(FLH)、归一化荧光高度法(NFH)与荧光包络面积法(FEA)对浑浊水体和赤潮水体中叶绿素 a浓度反演均取得较好的精度,这主要是由于叶绿素的荧光信号不会与黄色物质及悬浮物等信号混淆, 具有较强的唯一性; 此外, 叶绿素的荧光信号主要位于红光波段, 受大气的影响比较小, 只需进行简单的大气校正便能进行反演。

4.1.1 荧光基线高度法

荧光基线高度法(FLH)其基本原理是以荧光峰左右两侧通道(λL, λR)的连线作为基线计算荧光基线的高度, 根据荧光基线高度(λF)与叶绿素浓度存在的关系, 利用公式(4-1)来反演叶绿素浓度, 如图 1所示。Hu等[22]利用MODIS卫星数据构建荧光基线高度算法监测佛罗里达近岸海域赤潮的分布, 研究发现荧光基线高度法在水体组分较为复杂的近岸海域, 能够有效地监测藻华的浓度与分布。Gower等[23]则利用 MERIS、MODIS验证了荧光基线高度算法在格鲁吉亚海峡沿岸水域的反演精度, 研究表明该方法反演精度优于常规的蓝-绿波段比值模型。马万栋等[24]通过分析烟台近海水体实测反射光谱曲线,利用荧光基线高度法构建叶绿素a含量遥感反演模型。王林等[25]在大连湾及邻近海域利用实测荧光峰波长建立的荧光基线高度算法, 反演叶绿素 a浓度取得较好的效果。

4.1.2 归一化荧光高度法

归一化荧光高度法最早由 Vos提出[26], 其基本原理是将红光波段荧光峰最大值的辐射率(Rmax)归一化到 560 nm处(NFH1)的反射峰或 675 nm处(NFH2)的吸收峰, 如图 2所示。前人研究结果揭示该方法较适用于叶绿素 a浓度较高的富营养水体,回归方程的相关系数都比较高[27–28]。Ghanea等[29]验证了归一化荧光高度法监测波斯湾赤潮的适用性。马万栋等[24]利用归一化荧光高度法反演烟台近海水体叶绿素浓度, 也取得了较好的反演精度。

图1 荧光基线高度法示意图Fig.1 The principle of fluorescence line height

图2 归一化荧光高度法示意图Fig.2 The principle of normalized fluorescence height

4.1.3 荧光包络面积法

该方法采用包络线去除方法得到叶绿素荧光峰的包络曲线, 进而计算包络面积与叶绿素浓度的关系建立叶绿素a反演算法, 表达式如公式(4-4)所示。荧光峰面积涵盖了荧光峰高度以及荧光峰宽度等信息, 该方法选择包络线去除方法消除背景值的影响,有效消除光谱整体反射率整体抬高对叶绿素浓度反演的影响。Liu等[30–31]在对珠江口近岸水体, 利用实测高光谱数据验证荧光包络面积法的反演精度。

4.2 波段模型

图3 荧光包络面积法示意图Fig.3 The principle of fluorescence envelope area

波段模型反演叶绿素a最基础的算法为蓝-绿波段比值法, 该方法较多的运用在深海大洋一类水体中, 但在高浑浊复杂的河口与近岸水体, 该方法的精度受到限制[32]。Gitelson等[33]针对浑浊水体建立三波段模型(TBM), 并利用MERIS数据对TBM模型进行验证。Le等[34]在三波段模型TBM的基础上,引入第四波段削弱纯水和悬浮物对反演精度的影响; 同时, Le等[35]在不做任何参数调整的情况下,在湖泊、河口以及沿海水域等水体环境证明了三波段反演模型具有一定的普适性。周琳等[36]以水体较为浑浊复杂的太湖和巢湖为实验区, 在总结三波段模型(TBM)的基础上构建适用高浑浊水体的改进三波段模型(ETM)和四波段模型(FBM), 得出四波段模型更适合高浑浊水体, 但假设条件的普适性有待验证。姜广甲等[37]对比了两波段、三波段、改进三波段和四波段4个模型在高浑浊二类水体反演叶绿素a的精度, 得出了利用三波段、改进的三波段等方法在一定程度上提高了叶绿素a浓度的反演精度。笔者总结了三波段模型、改进三波段模型和四波段模型三种模型的假设与限制条件, 详见表1。

4.3 非线性映射法

表1 TBM、ETM和FBM模型条件Tab.1 The conditions of TBM、ETM and FBM model

相关学者根据河口及近岸海域水体中水色要素的关系具有非线性和随机性等特征, 利用支持向量机(SVM)及人工神经网络(ANN)等非线性方法来反演河口及近岸海域复杂水体中叶绿素a浓度。但此类方法需要预先选择训练样本, 即特征波段特征参数的输入; 因此, 特征波段与特征参数是否具有代表性决定了该类非线性模型反演精度。所以, 相关学者结合前文所述的光谱预处理、荧光法、波段法等算法构建更具代表性的训练样本, 提高非线性模型的反演精度。Sun等[38]将最优三波段因子作为输入参数建立支持向量机模型。王春磊等[39]评价了荧光法与SVM在莱州湾反演叶绿素a浓度的精度, 结果既肯定了叶绿素荧光法探测叶绿素浓度的有效性,同时又表明了 SVM 算法能更有效地对叶绿素光谱特性进行拟合。Park等[40]利用支持向量机及人工神经网络对Juam和Yeongsan水库进行叶绿素浓度反演, 结果表明SVM和ANN均能精确的反演水库叶绿素a浓度。此外, 部分学者对支持向量机及神经网络的缺陷进行优化[41–42], 大大提高了模型的反演精度, Song等[43]运用最小二乘法对人工神经网络进行优化, 向先全等[44]利用渤海湾实测水质构建了遗传优化神经网络模型, 吴志峰等[45]利用粒子群PSO算法优化BP神经网络, 克服BP神经网络易陷入局部最优解的缺陷, 提高了河口近岸水体叶绿素 a浓度的反演精度。

4.4 机理模型

机理模型是一种以光学传输机理为基础的水质参数反演模型; 其中, 最具代表性的机理模型是由Gordon在1975年提出的分析模型[46](公式4-5、4-6、4-7)。该模型利用生物光学模型建立水质参数与反射光谱之间的关系, 进而反演水质参数。虽然众多学者利用分析模型取得不错的反演精度[47–48]。Ambarwulan等[49]利用生物光学模型对Berau沿海水域的叶绿素a和悬浮物浓度进行反演, Ampe等[50]针对浑浊水体水质参数的反演(叶绿素a), 提出了小波增强的生物光学模型, 以提高模型反演精度。但是,目前对分析模型中的参数确定多是参考前人研究结果, 不同研究区的这些参数存在差异, 且参数随着监测的季节而发生变化, 尤其对于河口及近岸浑浊水体, 直接应用国外开发的生物光学模型会产生较大误差[51–52]。因此, 近年来部分学者通过地面实测数据构建生物光学模型, 韩留生等[53]针对近岸二类水体优化模型参数, 提高生物光学模型在近岸浑浊水体的应用精度。

R (0,λ)为水表面在波长为λ时的向上辐照度与向下辐照度的比值, T (λ)为波长为λ时吸收系数, Ub(λ)为波长为λ时的后向散射系数,f为常数。

4.5 算法比较

叶绿素a浓度遥感反演方法经过40多年的发展,众多领域的学者为这一领域的发展做出了巨大的贡献; 然而, 由于河口及近岸海域水体的特殊性, 要建立业务化、普适性的反演算法还远远不够, 各反演算法的精度还需进一步提高。从表2可以发现每种反演方法的特点和所适用范围都不同, 因此, 对不同类型的河口及近岸水体, 应充分挖掘其间的光学特性间的异同。对于反演特征波段的选取及光谱信息的提取需要进一步发展光谱数据的处理方法以及提高光谱数据的分辨率, 为提高反演精度提供基础。其次, 了解近岸河口地区水体其季节性、局地性的变化规律, 研究不同水体间的光学特性差异,结合不同类型的水体发展出更精确的反演算法。

5 讨论与展望

表2 河口及近岸水体叶绿素浓度反演算法比较Tab.2 The comparison of the inversion algorithm of chlorophyll concentration in estuarine and coastal waters

河口及近岸海域水体叶绿素a浓度遥感反演对于水环境的宏观实时监测具有广阔的应用前景。但由于河口及近岸水体的光学特性远比大洋水体复杂,不同水色成份的吸收和散射光谱有重叠区域,应用传统大洋一类水体的反演方法无法满足其精度要求; 而对于不同类型的河口及近岸水体, 业务化通用的高精度反演算法还没有建立起来。因此, 本文从河口及近岸水体的复杂性进行阐述, 总结并对比了近十年来, 河口及近岸海域水体光谱数据的处理以及叶绿素 a浓度反演方法, 提出今后河口及近海沿岸叶绿素浓度的遥感业务化监测还有待于在以下几个方面加强研究:

1)在算法机理方面。深入研究河口及近岸海域水体各参数的光学特性, 进一步发展光谱分析技术;在充分考虑叶绿素反演模型的各种影响因子的基础上, 增强模型的适用性和可移植性; 同时加强叶绿素反演的分析方法研究, 提高反演模型的适用性。

2)在数据处理方面。由于水体的特性导致水体的有效信号只占 5%-10%, 而且河口及近岸水体成分的复杂性进一步导致反演叶绿素的难度。因此,在数据处理方法上需要发展更多算法以消除背景信息及噪声的影响, 突出叶绿素特征光谱, 并利用高光谱技术充分挖掘已有遥感数据的应用潜力。

3)在反演算法体系上。由于各类河口海区的水质、光学特性都存在区域性和季节性的差异, 引起固有光学特性大的空间分异。导致目前区域性的算法比较多, 而全球大范围的算法比较少。因此, 今后在不断积累各个海区实验数据的同时, 应当仔细研究各类河口海区的异同, 探讨各类河口及近岸水体光学特性的共性和个性, 发展出适合不同类型河口海区及不同季相的叶绿素反演算法体系。

[1]郑高强, 陈芸芝, 汪小钦, 等.基于HJ-1卫星CCD数据的厦门海域叶绿素a浓度反演[J].遥感技术与应用,2015, 30(2): 235-241.

[2]马万栋, 王桥, 吴传庆, 等.基于反射峰面积的水体叶绿素遥感反演模拟研究[J].地球信息科学学报, 2014,16(6): 965-970.

[3]丛丕福, 曲丽梅, 王臣立, 等.基w于MODIS模拟的辽东湾叶绿素 a的遥感反演模型[J].生态环境学报,2009, 18(6): 2057-2060.

[4]XING X G, ZHAO D Z, LIU Y G, et al.An overview of remote sensing of chlorophyll fluorescence[J].Ocean Science Journal, 2007, 42(1): 49-59.

[5]杨一鹏, 王桥, 王文杰, 等.水质遥感监测技术研究进展[J].地理与地理信息科学, 2004, 20(6): 6-12.

[6]周冠华, 唐军武, 田国良, 等.内陆水质遥感不确定性:问题综述[J].地球科学进展, 2009, 24(2): 150-158.

[7]韦玉春, 王国祥, 程春梅, 等.面向浑浊水体叶绿素 a浓度遥感反演的光谱基线校正[J].光谱学与光谱分析,2012, 32(9): 2546-2550.

[8]ALTHUIS I, SHIMWELL S.Modelling of remote sensing reflectance spectra for suspended matter concentration detection in coastal waters[J].Earsel Advances in Remote Sensing, 1995.

[9]MUSTAPHA B, LAROUCHE SP.Geoscience and remote sensing symposium.IGARSS 2008.IEEE International, 2008, 4(IV): 914.

[10]WANG L, PU H, SUN D W.Estimation of chlorophyll-a concentration of different seasons in outdoor ponds using hyperspectral imaging[J].Talanta, 2016, 147: 422-429.

[11]刘朝相, 宫兆宁, 赵文吉, 等.基于光谱基线校正的季节性浑浊Ⅱ类水体叶绿素 a浓度遥感反演[J].湖泊科学, 2014, 26(06): 897-906.

[12]XING Q, CHEN C, SHI H, et al.Estimation of chlorophyll-a concentrations in the Pearl River Estuary using in situ hyperspectral data: A case study[J].Marine Technology Society Journal, 2008, 42(4): 22-27.

[13]GOOD N D G, HAN L, FRASER R N, et al.Analysis of suspended solids in water using remotely sensed high resolution derivative spectra[J]. Photogrammetric Engineering & Remote Sensing, 1993, 56(4): 505-510.

[14]DUAN H T, MA R H, XU J P, et al.Comparison of different semi-empirical algorithms to estimate chlorophyll-a concentration in inland lake water[J].Environmental Monitoring & Assessment, 2010, 170(1/4):231-244.

[15]CHENG C, WEI Y, SUN X, et al.Estimation of Chlorophyll-a Concentration in Turbid Lake Using Spectral Smoothing and Derivative Analysis[J].International Journal of Environmental Research &Public Health, 2013, 10(7): 2979-2994.

[16]杜嘉, 张柏, 宋开山, 等.松花湖水体叶绿素 a含量与反射光谱特征关系初探[J].遥感技术与应用, 2010,25(1): 50-56.

[17]韦玉春, 王国祥, 程春梅.水面光谱数据的核回归平滑去干扰分析[J].南京师大学报: 自然科学版, 2010,33(3): 97-102.

[18]程春梅, 韦玉春, 王国祥, 等.使用光谱平滑提高浑浊水体叶绿素 a浓度估算模型的应用精度[J].遥感技术与应用, 2013, 28(6): 941-948.

[19]CHENG C, WEI Y, SUN X, et al.Estimation of Chlorophyll-a Concentration in Turbid Lake Using Spectral Smoothing and Derivative Analysis[J].International Journal of Environmental Research &Public Health, 2013, 10(7): 2979-2994.

[20]MOREL A, PRIEUR L.Analysis of variations in ocean color[J].Limnology and Oceanography, 1977, 22(4):709-722.

[21]NEVILLE R A, GOWER J F R.Passive remote sensing of phytoplankton via chlorophyll fluorescence[J].Journal of Geophysical Research, 1977, 82(24): 3487-3493.

[22]HU C, MULLER-KARGER F E, TAYLOR C, et al.Red tide detection and tracing using MODIS fluorescence data: A regional example in SW Florida coastal waters[J].Remote Sensing of Environment, 2005, 97(3): 311-321.

[23]GOWER J, KING S.Use of satellite images of chlorophyll fluorescence to monitor the spring bloom in coastal waters[J].International Journal of Remote Sensing, 2012, 33(23): 7469-7481.

[24]马万栋, 吴传庆, 殷守敬, 等.基于实测光谱的烟台四十里湾水体叶绿素a遥感反演[J].中国环境监测, 2015,31(4): 135-140.

[25]王林, 杨建洪, 赵冬至.大连湾及邻近海域水体叶绿素浓度荧光遥感算法研究[J].应用海洋学学报, 2014,33(1): 111-117.

[26]VOS W L, DONZE M, BUITEVELD H.On the Reflectance Spectrum of Algae in Water: The Nature of the Peak at 700nm and Its Shift with Varying Algal Concentration[M].Delft University of Technology, Faculty of Civil Engineering, 1986.

[27]赵冬至, 张丰收, 杨建洪, 等.表征赤潮水体太阳激发的叶绿素荧光高度的波段优化—归一化荧光高度法[J].海洋学报, 2005, 27(6): 146-153.

[28]李军, 商少凌, 李永虹, 等.基于 MODIS荧光高度变化的藻类水华遥感监测方法[J].厦门大学学报(自然版), 2011, 50(5): 903-908.

[29]GHANEA M, MORADI M, KABIRI K.A novel method for characterizing harmful algal blooms in the Persian Gulf using MODIS measurements[J].Advances in Space Research, 2016, 58(7): 1348-1361.

[30]LIU F, CHEN C, TANG S, et al.Retrieval of chlorophyll concentration from the enveloped areas of fluorescence spectra in Pearl River estuary, China[J].Proceedings of SPIE-The International Society for Optical Engineering,2010, 64(12): 1912-6.

[31]LIU F F, CHEN C Q, TANG S L, et al.Retrieval of chlorophyll a concentration from a fluorescence enveloped area using hyperspectral data[J].International Journal of Remote Sensing, 2011, 32(13): 3611-3623.

[32]解学通, 吴志峰, 王婧, 等.结合实测光谱数据的珠江口水质遥感监测[J].广州大学学报(自然科学版), 2016,15(4): 73-78.

[33]GITELSON A A, DALL'OLMO G, MOSES W, et al.A simple semi-analytical model for remote estimation of chlorophyll- a, in turbid waters: Validation[J].Remote Sensing of Environment, 2008, 112(9): 3582-3593.

[34]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.

[35]LE C, HU C, CANNIZZARO J, et al.Evaluation of chlorophyll-a remote sensing algorithm for an optically complex estuary[J].Remote Sensing of Environment,2013, 129(2): 75-89.

[36]周琳, 马荣华, 段洪涛, 等.浑浊II类水体叶绿素a浓度遥感反演(Ⅰ): 模型的选择[J].红外与毫米波学报,2011, 30(06): 531-536.

[37]姜广甲, 周琳, 马荣华, 等.浑浊II类水体叶绿素a浓度遥感反演(II): MERIS遥感数据的应用[J].红外与毫米波学报, 2013, 32(4): 372-378.

[38]SUN D Y, LI Y M, QIAO W.A unified model for remotely estimating chlorophyll a in Lake Taihu, China,based on SVM and in situ hyperspectral data[J].IEEE Transactions on Geoscience & Remote Sensing, 2009,47(8): 2957-2965.

[39]王春磊, 晁晖, 孙迪.基于 SVM 的莱州湾叶绿素浓度遥感反演[J].河北联合大学学报: 自然科学版, 2014,36(2): 71-75.

[40]PARK Y, CHO K H, PARK J, et al.Development of early- warning protocol for predicting chlorophyll-a concentration using machine learning models in freshwater and estuarine reservoirs, Korea[J].Science of the Total Environment, 2015, 502(12): 31-41.

[41]汪西莉, 周兆永, 延军平.应用 GA-SVM 的渭河水质参数多光谱遥感反演[J].遥感学报, 2009, 13(4):735-744.

[42]SINGH KP, BASANT N, GUPTA S.Support vector machines in water quality management.[J].Analytica Chimica Acta, 2011, 703(2): 152.

[43]SONG K, LI L, LI S, et al.Using Partial Least Squares-Artificial Neural Network for Inversion of Inland Water Chlorophyll-a[J].IEEE Transactions on Geoscience &Remote Sensing, 2014, 52(2): 1502-1517.

[44]向先全, 陶建华.基于模糊识别和遗传神经网络的渤海湾叶绿素a预测研究[J].海洋环境科学, 2011, 30(2):239-242.

[45]吴志峰, 张棋斐, 解学通.基于粒子群和神经网络的珠江口叶绿素 a浓度反演[J].广州大学学报: 自然科学版, 2016, 15(6): 1-8.

[46]GORDON H R, BROWN O B, EVANS R H, et al.A semianalytic radiance model of ocean color[J].Journal of Geophysical Research Atmospheres, 1988, 93(10):10909–10924.

[47]杨伟, 陈晋, 松下文经.基于生物光学模型的水体叶绿素浓度反演算法[J].光谱学与光谱分析, 2009, 29(1):38-42.

[48]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, 10(2): 169-175.

[49]AMBARWULAN W, SALAMA M S, MANNAERTS C M, et al.Estimating specific inherent optical properties of tropical coastal waters using bio-optical model inversion and in situ measurements: case of the Berau estuary, East Kalimantan, Indonesia[J].Hydrobiologia, 2011, 658(1):197-211.

[50]AMPE E M, RAYMAEKERS D, HESTIR E L, et al.A Wavelet-Enhanced Inversion Method for Water Quality Retrieval From High Spectral Resolution Data for Complex Waters[J].IEEE Transactions on Geoscience &Remote Sensing, 2015, 53(2): 869-882.

[51]GIARDINO C, BRANDO V E, DEKKER A G, et al.Assessment of water quality in Lake Garda (Italy) using Hyperion[J].Remote Sensing of Environment, 2007,109(2): 183-195.

[52]王胜强, 陈晋, 杨伟, 等.Lee生物光学模型在不同水体组分特性下的适用性[J].湖泊科学, 2011, 23(2):217-222.

[53]韩留生, 陈水森, 李丹, 等.近岸二类水体生物光学模型参数优化[J].热带地理, 2014, 34(3): 351-358.

Research progress of the inversion algorithm of chlorophyll-a concentration in estuaries and coastal waters

ZHANG Qifei, WU Zhifeng*, XIE Xuetong
Research center of Guangdong province national condition monitoring and comprehensive analysis engineering technology,School of Geographical Sciences,Guangzhou University,Guangzhou510006,China

Due to the complex optical characteristics of the estuaries and coastal waters, the previous inversion algorithms of chlorophyll a concentration in Case-Ⅰ water are no longer applicable.Therefore, in order to improve the retrieval accuracy of chlorophyll-a concentration, the uncertainty of the optical properties of the estuarine and coastal water body are described.The key factors which affect the retrieval accuracy in estuarine and coastal waters are analyzed from two aspects, including the complexities of water components and the differences of spectral response.Then the spectral data preprocessing methods and remote sensing inversion algorithms of chlorophyll a concentration in estuarine and coastal turbid waters in recent ten years are summarized.Finally, some suggestions are put forward to improve the accuracy of the inversion of chlorophyll a concentration in estuarine and coastal waters from the three aspects of the inversion algorithm, data processing and inversion algorithm system.

estuary; coastal waters; chlorophyll a; remote sensing; inversion

10.14108/j.cnki.1008-8873.2017.05.028

X87; X832

A

1008-8873(2017)05-215-08

张棋斐, 吴志峰, 解学通.河口及近岸海域水体叶绿素浓度反演方法综述[J].生态科学, 2017, 36(5): 215-222.

ZHANG Qifei, WU Zhifeng, XIE Xuetong.Research progress of the inversion algorithm of chlorophyll-a concentration in estuaries and coastal waters[J].Ecological Science, 2017, 36(5): 215-222.

2017-04-25;

2017-06-07

广州市产学研协同创新重大专项(201508020109); 国家自然科学基金项目(41476152)

张棋斐(1993-), 男, 广东佛山人, 硕士研究生, 主要从事生态环境遥感研究, E-mail: gzuzqf@163.com

*通信作者:吴志峰, 男, 湖南湘潭人, 博士, 博士生导师, 教授, 主要从事城市生态城市环境遥感研究, E-mail: gzuwzf@163.com