基于MERIS数据的太湖叶绿素浓度的反演研究

田 园，王得玉

（南京邮电大学 通信与信息工程学院，江苏 南京 210003）

叶绿素a是反映湖泊富营养化水平的重要指标，是富营养化湖泊水体监测的一个重要生理参数。随着经济的迅猛发展，湖泊环境受到严重影响，湖泊水污染和富营养化程度加深，太湖水污染和富营养化问题亟待解决。传统调查方法虽然技术成熟，但在人力、物力方面消耗过大，难以实现大范围的实时监测。遥感技术作为一种区域性的调查手段，以其监测范围广、频率高、成本低的优势，为大范围水质实时动态监测提供了有力工具。

遥感技术在湖泊方面的应用为水污染监测和研究开辟了新途径，一般是结合水体采样点叶绿素a浓度和反射率之间的关系模型，从而反演叶绿素a浓度。太湖作为Ⅱ类水体的研究对象，水体反射光谱除了跟叶绿素a浓度相关外，还受到悬浮物和黄色物质浓度的影响，使得叶绿素a浓度的反演精度较Ⅰ类水体有更大的不确定性。现有的传感器在时空分辨率方面难以满足实际工作的要求，如：LandsatTM/ETM等空间分辨率较高，但时间分辨率偏低；而MODIS可以满足每日获取数据，但空间分辨率不能满足要求。MERIS（Medium resolution imaging spectrometer）具有可变空间分辨率数据，适合不同尺度水体研究，在光谱分辨率、水色波段设置、辐射灵敏度等方面超越SeaWiFS、MODIS，可满足带复杂Ⅱ类水体的应用要求。遥感数据来估算水质参数的方法，常用有三种模型：经验模型、半分析模型和分析模型。经验模型操作简单，运算快捷，但缺乏一定的物理基础，过多的依赖于实测数据，有较大的时空局限。半分析模型通过将已知的水质参数光谱特征与传统模型相结合，选择最佳的波段或波段组合作为相关变量估算水质参数值。Gitelson等首次提出估算陆地植被叶绿素含量的三波段式半分析模型，周琳等利用太湖实测光谱数据构建叶绿素a浓度反演的半分析模型，发现三波段模型（TBM）适用于高浑浊水体叶绿素a浓度的遥感估算，并在巢湖水体中得到了验证。2012年El-Alem等提出了一种新的叶绿素浓度反演模型—Apple模型，结合南魁北克4个湖泊的9年实测数据和同步MODIS影像数据对叶绿素浓度进行反演，相关系数达到0.95。

分析模型也称理论模型，以水体内光学传输的机理为理论基础，直接把水体的光学特征用于辐射传输方程，但分析模型的理论还不是很完善，应用中要做很多假设，会造成较差的估算精度。

本研究采用半分析模型来构建叶绿素a浓度的反演模型，Apple模型采用MERIS数据中的第二、第七和第九波段太湖采样点的反射率，结合太湖实测叶绿素a浓度，建立两者之间的关系，并分析该模型是否适用于MERIS数据。

1 材料和方法

1.1 试验区域与数据

太湖（31°615′N，119°997 W，30°824′S，120°54′E）是我国第三大淡水湖泊，地处于长江三角洲，湖泊面积2 427.8 km2，水域面积为2 338.1 km2（图1）。近年来，太湖出现蓝藻水华暴发，水污染和富营养化现象非常严重。

为获取实地叶绿素a浓度和采样点MERIS数据。选取2004年10月太湖的67个野外实地采样点数据（图2），获取实时叶绿素a浓度。同时收集2004年10月的MERIS影像，云层覆盖影响较夏季较轻，通过影像来得到水体反射率。

图1 太湖位置示意图

1.2 数据获取与预处理

1.2.1 实测数据 采样点均匀分布于整个太湖水域，覆盖范围全面，水体富营养化程度也均不同，从清澈到浑浊水体。首先根据NASA SeaWiFS海洋光学规范，测量了水体反射率光谱和水体的后向散射系数。在太湖的67个采样点取样，带回实验室进行相应的水质参数和水色组分吸收系数的测量。

图2 太湖有效样点分布

太湖属Ⅱ类水体区域，具有复杂的光学特性，这也要求了传感器要在分辨率方面要有较高的标准。SeaWiFS、MODIS由于在时空分辨率等方面的局限，不适用于内陆Ⅱ类水体，MERIS传感器有可变空间分辨率数据，有较高的光谱分辨率、空间分辨率和时间分辨率，设计了等效噪声辐射率（NEIL）值，使之能适应Ⅰ、Ⅱ类水体。MERIS传感器在光谱分辨率、水色波段设置以及辐射灵敏度等方面优于SeaWiFS、MODIS。其空间分辨率300 m，波谱范围412～1 050 nm，波谱分辨率范围7.5～20.0 nm，有15个波段（390～1 040 nm），覆盖可见光到近红外，适用于复杂的Ⅱ类水体的水质监测。

MERIS数据产品分为3级： Level 1B——是在一个面向路径坐标上重新采样的图像，包含经过校正来匹配大气层顶辐射的像素信息；Level 2B——是从Level 1B产品里提取的图像，包含经过处理得到的地理数据的像素信息；Level 3B——是不止一种MERIS产品的集合体（可能的外部数据），用来展示一段时间的地理数据。

1.2.2 数据预处理 本次研究选用的MERIS遥感数据是2004年10月20日卫星经过太湖境内准实时MER_RR_2P（Reduced resolution geopolitical)数据，分辨率为1 040 m ×1 160 m，可用于海洋、陆地或者大气区域的研究应用。MER_RR_2P为离水辐射率（反射率）数据，同时带有地物标志掩模、时间信息、经纬度信息、DEM、太阳天顶角、太阳方位角、卫星天顶角、卫星方位角等附属信息。同时本次是采用MER_RR_2P数据的Level 2B产品，Level 2B产品是在1B的基础上经过粗略的几何校正和大气校正后的数据图像较为清楚，要获取采样点反射率，还需要进一步的处理。

ENVISAT、AASTR和MERIS的 基 本 工 具 箱BEAM是一个执行工具集合，一个应用型项目界面，能帮助ESA MERIS、(A)ATSR和ASAR数据的利用、观测和处理。BEAM软件的目的不仅仅是使用现有的商业包，而是旨在完善它们处理ENVISAT MERIS和AATSR产品的功能。

Level 2B产品是从Level 1B产品里提取的图像，包含经过处理得到的地理数据的像素信息。但要获得构建模型的参数，还需要进行进一步的处理。本文利用BEAM 5.0软件，对影像进行校正和裁剪，具体方法如下：

第一：辐射校正。辐射校正是将遥感图像上的灰度值转化为入瞳幅亮度。本次研究采用直方图最小值法对遥感图像进行辐射校正。

第二：几何校正。几何校正是利用地面控制点和几何校正数学模型来矫正非系统因素产生的误差，校正过程会将坐标系统赋予图像数据。辐射定位后的像元在原图像中分布是不均匀的，即输出图像像元点在输入图像的行列号不是或不全是正数关系。因此，需要根据输出图像上的各像元在输入图像中的位置，对原始图像按一定规则重新采样，进行亮度值的插值计算，建立新的图像矩阵。本次研究采用最近邻法，输出图像仍然保持原来的像元值。

第三：大气校正。大气中的O3、O2、水蒸气和气溶胶对获取MERIS图像数据的精确度方面有很大的影响，其中气溶胶的计算尤为关键。气溶胶是大气中的悬浮颗粒，在空间域及时间域上变化较大，没有固定的模型可以来借鉴，准确计算其散射比较困难。本次研究是基于气溶胶在小范围（50～100 km）基本不变为前提，借用邻近较结晶水体的大气条件来计算浑浊Ⅱ类水体的气溶胶辐射率，实现对Ⅱ类水体的大气校正。

第四：图像剪裁。本研究的图像从MERIS遥感图像中得到，按照经纬度：31°615′ N，119°997′ W，30°824′ S，120°54′ E进行图像裁剪。在裁剪后的区域进行区域选择和掩模处理，可以将太湖影像裁剪出来，进行保存，方便后期对图像上的采样点进行处理。

2 结果与分析

2.1 叶绿素a浓度反演模型建立与验证

2.1.1 模型构建 Apple模型是一种新的半分析模型，以MODIS传感器波段数据为参数，以叶绿素在红波段强吸收、近红外波段高反射的光谱特征为原理，以不同波段组合来去除悬浮物、CDOM和后向散射的影响，最终构建而成的叶绿素浓度反演模型。

Apple模型使用MERIS数据的第二、七和九波段的组合来构建叶绿素反演模型：波长400～500 nm、605～620 nm、690～700 nm处，由于叶绿素吸收作用明显，反射率低，对叶绿素含量的变化最敏感；波长675 nm附近的吸收谷，叶绿素在红波波段吸收最强，叶绿素吸收和细胞壁散射均衡，对藻类密度和叶绿素浓度的反射敏感度最低；波长706 nm附近，反射曲线的斜率开始发生变化，近红外波段处水体强烈吸收，反射率逐步下降，该处的反射依赖于有机和无机悬浮物的浓度，对藻类色素的反应最不敏感。其他详细波段信息可以参考MERIS波段设计，见表1。

综上，最终得到Apple模型：

其 中，CChI-a表 示 叶 绿 素 a浓 度，Rrs(λ2)、Rrs(λ7)和Rrs(λ9)分别代表λ2、λ7和λ9处的反射率。由于近红外波段叶绿素光谱特征表现出高反射，而水体在此波段强吸收，因此可以用来获取最大的叶绿素信息量。在此波段仍有悬浮物、CDOM和后向散射的影响。因此，选用CDOM反射最强的蓝波段来去除CDOM的影响，同时选取近红外波段作为叶绿素的敏感波段来去除CDOM敏感波段中的叶绿素信息，近红外波段由于水体强吸收也用来去除蓝波段后向散射的影响。红波段可以作为悬浮物敏感波段的研究，来最小化悬浮物的影响，并用近红外波段去除红波段叶绿素信息，在红、近红外波段，水体表现为强吸收特征，因此后向散射可以忽略。

表 1 MERIS波段设计

2.1.2 模型验证 模型构建中选用的数据是经过辐射校正、大气校正和几何校正后，且经过BEAM软件选取处理过的第二、七和九波段的MERIS数据，获得太湖64个采样点的反射率，且剔除了异常的17、48和57样点数据。为了更加精确分析太湖的样点数据，从太湖61个采样数据中选取悬浮物浓度大于3 mg/m3的35个采样点，并从35个采样点中随机选取15个采样点的数据构建模型，见表2。

图3中，Apple模型下得出的采样点反射率作为自变量，实测的叶绿素浓度作为因变量，在Matlab中分析，得到采样点反射率和各点叶绿素a浓度之间的关系：

Y = 0.012 9X + 36.89

从式中可以看出，各点反射率和叶绿素a浓度之间是线性关系，具有较好的相关性，r2=0.788 2。

为了验证模型的可行性，从余下的20个采样点中随机选取10个采样点来验证该模型的适用性，最大相对误差25.18%，最小误差11.4%，可以得出：在太湖

表2 太湖水体采样信息

悬浮物浓度大于35 mg/m3的35个样点数据中，各样点的相对误差都比较平均，都能较好的反演该模型的叶绿素a浓度，由此可以推测该模型可以适用于Ⅱ类水体叶绿素a浓度的反演。

图3 实测叶绿素a浓度与Apple下的反射率关系

3 结论与讨论

从反演结果来看（表3），Apple模型对太湖叶绿素a浓度的反演结果稳定，控制在一定的误差范围内，但还是不够完善，原因可能有以下几点：

表3 叶绿素a反演结果验证

Apple模型是一种新的半分析模型，目前并未用于内陆水体的叶绿素浓度反演研究，所以其稳定性和精度还需要进一步的验证。

本次研究只是选取了太湖中悬浮物含量高于35 mg/m3的样点，针对局部区域进行建模，对整个太湖还需要进行进一步验证。

太湖中叶绿素a浓度会受到当地气候、环境和居民活动等外部条件的影响，且Ⅱ类水体光学特性复杂，还一定程度上还受到黄色物质和悬浮物的影响。

在对MERIS图像获取的数据方面，大气校正并没有去除臭氧、水蒸气和气溶胶的影响，数据预处理方面仍不完善。

综上，本次研究利用MERIS遥感图像，结合Apple模型，对太湖中叶绿素a浓度进行监测和反演。新型半分析模型Apple模型，其性能优于传统的二、三波段模型，相关系数r2达到0.788 2，且反演叶绿素a浓度方面稳定性较好，误差都在一定的范围之内。对太湖Ⅱ类水体的应用于叶绿素浓度反演和水质监测有良好的应用前景，并对以后监控Ⅱ类水体叶绿素浓度提供了可供参考的依据。