基于Sentinel卫星的浑浊水体叶绿素反演对比研究——以鄱阳湖为例

李亭亭， 田礼乔， 李 建， 张 琍， 孙兆华

(1.武汉大学 测绘遥感信息工程国家重点实验室， 武汉 430079；2.武汉大学 遥感信息工程学院， 武汉 430079；3.江西师范大学 鄱阳湖湿地与流域研究教育部重点实验室， 南昌 330022；4.中国科学院 边缘海与大洋地质重点实验室 南海海洋研究所， 广州 510301)

基于Sentinel卫星的浑浊水体叶绿素反演对比研究
——以鄱阳湖为例

李亭亭1， 田礼乔1， 李 建2*， 张 琍3， 孙兆华4

(1.武汉大学 测绘遥感信息工程国家重点实验室， 武汉 430079；2.武汉大学 遥感信息工程学院， 武汉 430079；3.江西师范大学 鄱阳湖湿地与流域研究教育部重点实验室， 南昌 330022；4.中国科学院 边缘海与大洋地质重点实验室 南海海洋研究所， 广州 510301)

Sentinel-2A卫星、Sentinel-3A卫星分别于2015年6月和2016年2月成功发射，其上搭载的MSI、OLCI传感器的空间分辨率、时间分辨率、波段设置等在内陆水体水环境遥感研究中具有较大的应用潜力.针对浑浊水体叶绿素的反演难题，以鄱阳湖为例，基于光学分区理论并结合同步实测数据，探讨了Sentinel系列卫星数据在湖泊叶绿素a遥感反演的可行性.研究表明：1) 对于Sentinel-2A MSI数据，鄱阳湖北湖区以[1/Rrs(665)-1/Rrs(705)]*Rrs(740)作为反演因子构建的三波段模型拟合效果最好，决定系数R2是0.65，平均相对误差是38.53%；鄱阳湖南湖区差值模型Rrs(705)-Rrs(665)反演结果最好，R2是0.63，相对误差是39.87%.2) 对于Sentinel-3A OLCI数据，鄱阳湖北湖区以[1/Rrs(665)-1/Rrs(673.75)]*Rrs(753.75)作为反演因子构建的三波段模型拟合效果最好，R2为0.65，平均相对误差为37.6%；鄱阳湖南湖区差值模型Rrs(708.75)-Rrs(665)反演结果最好，R2是0.62，平均相对误差为39.6%.3) Sentinel系列卫星的分区模型能在一定程度上解决鄱阳湖部分浑浊水体区域叶绿素反演不成功的问题，后续将研究更高精度的反演模型方法.

Sentinel卫星； 光学分区； 叶绿素a浓度； 鄱阳湖

国内也有不少学者利用各种传感器数据对鄱阳湖叶绿素反演进行了研究，如冯炼等提出了一种新的针对MERIS的鄱阳湖叶绿素浓度经验算法，探讨了鄱阳湖叶绿素分布的时空规律和富营养化问题[3]；黄灵光等人研究了Landsat8 OLI卫星数据在鄱阳湖叶绿素a遥感反演的可行性[4].常用的水色传感器MODIS虽然具有较高的信噪比[5]，但是千米级的空间分辨率限制了其在较小水域面积中的应用，而Landsat系列卫星虽然有30 m的空间分辨率，但是其有限的光谱设置和较低的信噪比依然不能很好地解决在浑浊水域的叶绿素a浓度反演问题[3].因此，有必要探讨新的卫星传感器数据在鄱阳湖叶绿素反演方面的问题.

Sentinel-2A卫星其时间分辨率为10 d，所搭载的MSI(Multi-Spectral Instrument)传感器共有13个光谱波段.可见光到近红外波段的空间分辨率为10 m，红边和短波红外波段空间分辨率为20 m(https://sentinel.esa.int/web/sentinel/user-guides/sentinel-2-msi)，是进行内陆水体遥感研究的有效数据源之一.

Sentinel-3A卫星上搭载的OLCI(Ocean and Land Colour Instrument)传感器是在MERIS的基础上发展而来的，对海岸带和陆地的空间分辨率是300 m，与MERIS相比，其时间分辨率提高至2 d，光谱波段由15个增加至21个，而且还专门新增了一个叶绿素荧光反演波段(中心波长673.75 nm)(https://sentinel.esa.int/web/sentinel/user-guides/sentinel-3-olci)，可被广泛应用于水色遥感研究等方面.

本文以鄱阳湖为研究区域，结合2009年10月和2011年7月鄱阳湖现场实测数据，基于光学分区思想，建立了Sentinel卫星鄱阳湖叶绿素分区反演模型，对比分析了Sentinel系列卫星在鄱阳湖叶绿素浓度反演结果，以尝试解决鄱阳湖部分浑浊水体区域叶绿素反演不成功的问题[3].

1 研究区域与数据

1.1 研究区概况

鄱阳湖是中国第一大淡水湖，地处江西省北部，长江中下游南岸，位于28°22′N～29°45′N，115°47′E～116°45′E(见图1).其北部湖区狭长，南部相对面积较大，是一个过水性、吞吐型、季节性的内陆湖泊[6].由于季节性涨退水，其水位发生明显的变化，丰水期水域面积可达4 000 km2以上，枯水期湖面面积减小至几百平方公里.随着经济快速发展以及生活污水大量排放等，其水环境形势比较严峻，近年来鄱阳湖也有着水体营养化的趋势[7]，因此利用遥感技术对鄱阳湖叶绿素a的监测具有重要意义.

1.2 实测数据获取和处理

野外光谱测量采用的是美国SVC公司的HR-1024光谱仪，其可在350 nm至2 500 nm光谱范围内连续测量，其中350 nm到1 000 nm之间其光谱采样间隔是1.5 nm.根据NASA推荐的观测几何：即仪器观测平面与太阳入射平面夹角为135°，仪器与海面法线夹角为40°，采用水面以上测量方法观测，最终处理得到遥感反射率数据[8-10].

室内叶绿素浓度测定采用的是RF-5301荧光分光光度计，首先用GF/F玻璃纤维滤膜过滤野外采集的水样，将滤膜置于冰箱中低温放置，测量时拿出用90%的丙酮萃取，萃取液经过离心后放置冰箱静置24 h，并取出上清液装入比色皿中用荧光计进行测量，最后计算得到浓度数据[3].

那个时候郑军里的画确有唐画的富丽气象，笔墨的清新格调及马和人物的风姿，卓然而立于那个时候难见突破的中国画领域，尤其洞开广西少数民族人物画沉闷的思维和视觉。这种新风格跟80年代以来的那种趋新求变完全不同，有令人心悦诚服的笔墨技巧，借古开今，画面格调闪耀着强烈温暖的时代光芒。

由于部分数据的质量问题，在剔除异常点后，最终选择了75组野外观测数据，观测站点分布如图1所示.

图1 鄱阳湖观测站点分布图Fig.1 Location of sampling stations in the Poyang Lake

1.3 遥感数据获取和处理

1.3.1 遥感数据获取 Sentinel-2A和Sentinel-3A卫星数据均可通过Sentinel数据的分发系统(https://scihub.copernicus.eu/)免费获取，两者波段设置对比见表1.

表1 Sentinel卫星波段设置对比

续表1

1.3.2 遥感数据预处理 海洋水色卫星传感器接收到的辐射能量80%以上来自大气的干扰，而来自水面的辐射只有3%～15%，因此，如何消除大气程辐射的影响，获取有效的离水辐射信息，实现遥感数据的大气校正是水色遥感信息提取中必不可少的关键技术之一[11].

Sentinel-2A MSI传感器大气校正采用的是SNAP内置大气校正模块sen2cor，它采用的是基于影像的半经验大气校正方法，故用此模块算法进行大气校正时无需提供气象参数，大气校正所需的信息可以通过内置的查找表内插获取(http://step.esa.int/thirdparties/sen2cor/2.4.0/Sen2Cor_240_Documenation_PDF/S2-PDGS-MPC-L2A-SRN-V2.4.0.pdf)，具体流程见图2.

图2 sen2cor模块大气校正流程图Fig.2 Atmospheric correction flow chart of Sen2cor module

Sentinel-3A OLCI传感器大气校正采用的是SNAP内置的大气校正处理模块C2RCC(Case-2 Regional / Coast Colour)，其大气校正理论基础是神经网络算法[12].通过大量的样本训练，可以得到各种光学特性参数和水质参数，如遥感反射率、叶绿素浓度等.具体流程见图3.

图3 C2RCC模块大气校正流程图Fig.3 Atmospheric correction flow chart of C2RCC module

2 叶绿素反演模型研究

2.1 光学分区理论

鄱阳湖是一个以悬浮泥沙为主的高浑浊的湖泊，悬浮颗粒物的特性在很大程度上影响着水体的光学特性.鄱阳湖通常以都昌和吴城间的松门山岛(29°12′N，116°10′E)为界，被划分为南北两湖(如图1所示).研究表明，鄱阳湖南北湖区悬浮颗粒物特性差异很大，从而在一定程度上导致南北湖区光学特性的差异[13].由表2可知，枯水期鄱阳湖悬浮颗粒物的粒径(Dv50和Dv90)动态范围大，南部湖区粒径大于北部，呈现显著的区域性差异.

故本文基于光学分区思想，探讨建立了具有一定适应性和稳定性的鄱阳湖分区反演模型[3].

表2 鄱阳湖枯水期南北部水体悬浮颗粒物粒径统计表[13]

注：Dv50和Dv90表示有50%和90%的颗粒物粒径小于该数值.

2.2 叶绿素a反演模型

结合Sentinel系列卫星数据的波段设置和影像数据大气校正的结果，对2009年10月和2011年7月的实测光谱数据进行光谱积分计算两卫星数据各波段的等效反射率，并且进行模拟建模.基于光学分区理论，其中北湖区选择了38个实测数据点进行建模，南湖区选择了37个实测数据点进行建模.

利用实测数据模拟Sentinel-2A传感器波段数据，构建叶绿素反演模型.由表3可知，鄱阳湖北湖区以[1/Rrs(665)-1/Rrs(705)]*Rrs(740)作为反演因子构建的三波段模型拟合效果最好，南湖区差值模型Rrs(705)-Rrs(665)模拟结果最好，决定系数R2分别为0.65、0.63，相对误差分别为38.53%、39.87%.

利用实测数据模拟Sentinel-3A OLCI传感器波段数据，构建叶绿素反演模型.由表3可知，鄱阳湖北湖区以[1/Rrs(665)-1/Rrs(673.75)]*Rrs(753.75)作为反演因子构建的三波段模型拟合效果最好，南湖区差值模型Rrs(708.75)-Rrs(665)拟合结果最好，其决定系数分别是0.65、0.62，模型的相对误差分别是37.6%、39.6%.

由表3可知，鄱阳湖北湖区模型精度高于南湖区，Sentinel-2A卫星的反演精度高于Sentinel-3A卫星，可能的原因是本文分区模型的建立是基于2009年和2011年的实测遥感反射率和叶绿素浓度，而并不是利用Sentinel卫星影像大气校正结果.

表3 Sentinel卫星分区反演模型模拟结果

图4 鄱阳湖分区反演最优模型Fig.4 Optimal partition inversion model for the Poyang Lake

3 鄱阳湖叶绿素反演和对比分析

3.1 Sentinel卫星叶绿素反演对比

利用上述分区模型，选取了2016年11月3日、2017年2月11日两景Sentinel-2A MSI影像和同步的Sentinel-3A OLCI影像，对影像进行了预处理(大气校正、重投影)，并将Sentinel-2A数据重采样成300m，以便与Sentinel-3A数据的反演结果进行定量的对比.结合卫星的波段设置，将鄱阳湖叶绿素的分区反演模型应用于两种不同卫星影像，并以Sentinel-2A的反演结果作为参考，通过计算两者的相对偏差来评估两卫星传感器在鄱阳湖叶绿素反演方面的一致性.

如图5所示，两卫星传感器的叶绿素反演结果在空间分布趋势上具有较好的一致性，由第三列的偏差分布图可知，两个卫星传感器数据反演结果大体上吻合良好.由图6相对偏差柱状图和叶绿素分布柱状图可知，两者反演结果的相对偏差不超过40%的水体区域面积高达70%～90%.鄱阳湖中部和东部靠近陆地部分叶绿素值相差较大可能是由于大气校正方法不同、成像时间差异等原因造成的.

图5 鄱阳湖MSI和OLCI影像叶绿素a反演结果及偏差对比分布图Fig.5 MSI and OLCI image of Chlorophyll-a inversion results for Poyang Lake with error comparison distribution

3.2 鄱阳湖叶绿素反演

利用上述模型，对2016年3月28日的Sentinel-2A MSI影像，2017年3月2日的Sentinel-3A OLCI影像进行了叶绿素浓度反演，结果如图7所示.

从图7可以看出，鄱阳湖水体叶绿素浓度总体相对不高.鄱阳湖叶绿素浓度较高区域主要分布在鄱阳湖区西部、东部、以及南部地区.北湖区叶绿素浓度相对较低可能是由于悬浮泥沙的浓度较大，限制了光线的透射传输，阻碍了浮游植物的生长；而东西部和南部叶绿素浓度较高可能是由于水体之间交换程度差，以及生活污水等通过支流进入鄱阳湖，适合浮游植物生长，从而导致叶绿素浓度偏高[3].

图6 反演结果相对偏差分布柱状图Fig.6 Histogram for the relative deviation distribution of inversion results

图7 Sentinel卫星影像鄱阳湖叶绿素a浓度分布图Fig.7 Sentinel images of chlorophyll a concentration distribution of in Poyang Lake

4 结论

本文利用鄱阳湖的实测光谱和叶绿素浓度数据，基于光学分区思想，并结合Sentinel-2A和Sentinel-3A卫星的遥感数据，建立了鄱阳湖的分区反演模型，分析比较了Sentinel系列卫星影像在鄱阳湖叶绿素反演结果.

1) Sentinel系列卫星的分区反演最优模型其决定系数均在0.6以上，相对误差均在40%以内.

2) 两卫星反演结果的相对偏差不超过40%的水体区域面积高达70%—90%，相对偏差较大的水域主要集中在鄱阳湖中东部区域，具体原因还需要进一步探讨.

3) 鄱阳湖水体整体叶绿素浓度偏低，叶绿素浓度空间分布趋势是北部低，东西部和南部浓度相对较高.

4) 由于本文主要是基于鄱阳湖丰水期实测数据建立的分区反演模型，故Sentinel卫星叶绿素反演模型在鄱阳湖枯水期的应用还有待进一步探讨与验证，后续将研究更高精度的鄱阳湖叶绿素反演模型.

[1] 龚 珍， 卜晓波， 李 晔， 等. 东湖水体叶绿素浓度的遥感反演研究[J]. 安徽农业科学， 2013，41(11): 5138-5139．

[2] 程春梅. 基于归一化光谱的浑浊水体叶绿素a浓度遥感估算[J]. 浙江水利水电学院学报， 2016，28(4): 58-65．

[3] FENG L， HU C， HAN X， et al. Long-Term distribution patterns of Chlorophyll-a concentration in China’s largest freshwater lake: MERIS Full-Resolution observations with a practical approach[J]. Remote Sensing， 2014，7(1): 275-299．

[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): 441-444．

[5] HU C，FENG L，LEE Z，et al. Dynamic range and sensitivity requirements of satellite ocean color sensors: learning from the past[J]. Applied Optics， 2012，51(25): 6045．

[6] 江 辉. 鄱阳湖叶绿素a浓度遥感定量模型研究[J]. 测绘科学， 2012，37(6): 49-52．

[7] WU Z， CAI Y， LIU X， et al. Temporal and spatial variability of phytoplankton in Lake Poyang: The largest freshwater lake in China[J]. Journal of Great Lakes Research， 2013，39(3): 476-483．

[8] 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．

[9] MOBLEY C D. Estimation of the remote-sensing reflectance from above-surface measurements[J]. Applied Optics， 1999，38(36): 7442-55．

[10] MUELLER J L，FARGION G S，MCCLAIN C R，et al. Ocean optics protocols for satellite ocean color sensor validation[J]. British Journal of Surgery， 2003，47(201): 111-112．

[11] 陈晓玲， 赵红梅， 田礼乔. 环境遥感模型与应用[M]. 武汉：武汉大学出版社，2008．

[12] BROCKMANN C， DOERFFER R， PETERS M，et al. Evolution of the C2RCC neural network for Sentinel 2 and 3 for the retrieval of ocean colour products in normal and extreme optically complex waters[C]//The 2016 European Space Agency Living Planet Symposium， Prague, Czech Republic from 9-13 May 2016， Living Planet Symposium，2016:740.

[13] 黄 珏， 陈晓玲， 陈莉琼， 等. 鄱阳湖高浑浊水体悬浮颗粒物粒径分布及其对遥感反演的影响[J]. 光谱学与光谱分析， 2014，34(11): 3085-3089．

ComparisonstudyontheretrievalofchlorophyllinturbidwatersbasedonSentinelsatellites
——a case study of Poyang Lake

LI Tingting1， TIAN Liqiao1， LI Jian2， ZHANG Li3， SUN Zhaohua4

(1.State Key Laboratory of Information Engineering in Surveying，Mapping and Remote Sensing， Wuhan University， Wuhan 430079， China; 2.School of Remote Sensing and Information Engineering，Wuhan University，Wuhan 430079，China; 3.Key Laboratory of Poyang Lake Wetland and Watershed Research， Ministry of Education， Jiangxi Normal University， Nanchang 330022， China; 4.South China Sea Institute of Oceanology， Key Laboratory of Ocean and Marginal Sea Geology，Chinese Academy of Sciences， Guangzhou 510301， China)

Sentinel-2A satellite and Sentinel-3A satellite were successfully launched in June 2015 and February 2016 respectively. The spatial resolution， temporal resolution and band settings of MSI and OLCI sensors have great potential in inland water environment research. In this study， the inversion problem of chlorophyll in turbid water was studied. Based on the theory of optical partitioning and the simultaneous in situ data， taking Poyang Lake as an example， the feasibility and potential of applying data from Sentinel system satellites in chlorophyll retrieval are discussed. The results show that: 1) as for Sentinel-2A MSI data， the three bands ([1/Rrs (665)-1/Rrs (705)]*Rrs (740)) model is the most accurate one for northern lake with the determination coefficient of 0.65 and MRE of 38.53%. The difference ((Rrs (705)-Rrs (665)) model is the most accurate one for southern lake with the determination coefficient of 0.63 and MRE of 39.87%. 2) As for Sentinel-3A OLCI data， the three bands ([1/Rrs (665)-1/Rrs (673.75)]*Rrs (753.75)) model is the most accurate one for northern lake， the determination coefficient of 0.65 and MRE of 37.6%. The difference (Rrs (708.75)-Rrs (665)) model is the most accurate one for southern lake with the determination coefficient of 0.62 and MRE of 39.6%. 3) The optical partition model of the Sentinel family satellites is able to solve the problems on chlorophyll inversion of some turbid water in Poyang Lake to a certain extent， and more precision inversion model method will be developed in the follow-up time．

Sentinel satellites; optical partition; chlorophyll-a concentration; Poyang Lake

2017-06-30.

国家重点研发计划项目(2016YFC0200900)；高分辨率对地观测系统重大专项(41-Y20A31-9003-15/17)；国家自然科学基金项目(41571344；41331174；41071261；40906092；40971193；41101415；41401388；41206169；41406205)；江西省自然科学基金项目(20161BAB213074).

*通讯联系人. E-mail: lijian@whu.edu.cn．

10.19603/j.cnki.1000-1190.2017.06.021

1000-1190(2017)06-0858-07

P332

A