基于GOCI的浑浊水体大气校正修复方法——以太湖为例

陈会明，郭 瑞，邓实权，韩世刚，杨治国

(1.武汉大学遥感信息工程学院，武汉 430079; 2.河南测绘职业学院遥感工程系，郑州 451464；3.湖南省地质调查院，长沙 410000； 4.北京麦飞科技有限公司，武汉 430079；5.武汉珞珈德毅科技股份有限公司，武汉 430079)

水是生命之源，是人类生存和发展的必需物质.近年来，中国近岸河口海域以及内陆湖泊水质遭受到了严重污染，泥沙浓度大大增加，水体富营养化日趋严重，因此，对水质进行监测显得尤为重要.GOCI(Geostationary Ocean Color Imager)是全球第一颗静止轨道的水色遥感传感器，搭载于韩国2012年发射的COMS (Communication Ocean and Meteorological Satellite)卫星上，其空间分辨率为500 m，时间分辨率为1 h，具有6个可见光波段和2个近红外波段，覆盖了中国大部分近海水域及部分内陆湖泊，是良好的水质监测数据来源[1-2].但是由于水体的遥感反射率只占整个辐射传输过程的10%，极易受到大气环境的影响，因此Gordon在90年代开展了海洋清洁(I类)水体的大气校正研究[3-4]，提出了国际上通用的Gordon标准算法，该算法在大洋深处的清洁水体精度较高，可达到95%，并被用于MODIS(Moderate-resolution Imaging Spectroradiometer)等传感器进行业务化大气校正[5-7]，但由于中国近岸海域和内陆湖泊大多为浑浊水体，传统的大气校正算法受到悬浮泥沙的干扰，经常失效，因此如何对大气校正失效的浑浊水体区域进行快速准确的大气校正修复一直是水色遥感的难题.

汪萌华等学者提出了利用水体在短波红外波段的吸收能力比近红外波段更强的特点，进行浑浊水体的大气校正算法(NIR-SWIR)研究[8]，该算法是目前业务化运用最广泛的大气校正算法，在中国和世界各地近岸海域地区进行了精度验证，效果显著.此后，陈军在该算法的基础上进行了改进，提出了交叉校正的NIR-SWIR大气校正算法[9]，并对渤海的浑浊水体进行了大气校正，提高了MODIS数据的信噪比和遥感反射率的反演精度.之后，各种针对水体的大气校正算法相继提出，其中优化算法——神经网络算法被引进，王正等学者利用神经网络模型，以MODIS短波红外校正的数据为基础，训练GOCI数据进行大气校正，效果显著[10].随后田小娟等学者又对该方法进行了改进[11].根据气溶胶在一定空间范围内变化不大的特点，Hu等学者，提出了邻近清洁水体像元法，假设气溶胶类型在较小范围(50～100 km)保持不变，利用邻近像元的气溶胶类型来确定浑浊水体的气溶胶类型，从而解决浑浊水体的大气校正问题[4].但由于GOCI没有短波红外波段，因此传统的大气校正算法不适用，此外，神经网络等优化算法有需要大量的先验数据进行模型训练，无法满足快速大气校正的要求.

因此，本文首先利用GOCI官方处理软件GDPS(GOCI data processing system)对GOCI影像进行大气校正，获得部分不完整的大气校正结果，然后基于辐射传输模型，以Hu等学者提出的邻近区域的大气环境的相似性为基础[4]，开展了基于GOCI的浑浊水体区域大气校正修复方法研究，以期获取浑浊水体的大气校正结果.

1数据源与研究区域

1.1研究区域

太湖(30°55′40″～31°32′58″N，119°52′32″ ～20°36′10″E)是我国第三大淡水湖，位于长江三角洲南缘，横跨江苏和浙江两省，是江浙地区重要的淡水湖泊(图1).太湖形状似新月，面积约为2 338 km2，上承苕溪、荆溪两大水系之水入湖，下经太浦河直入黄浦江.太湖是江浙地区重要的生活用水和工农业水源地，近年来，随着工业废水和生活废水的排放，太湖水质严重退化，富营养化程度加重，水华污染事件频发，对周边工业和生活用水造成了严重影响，同时也引发了一系列环境污染问题[12-14].

图1 研究区域示意图Fig.1 Schematic diagram of the study area

1.2数据源

本文采用的卫星遥感数据为GOCI影像，对于水体光学特征错综复杂的太湖来说，能发挥其高时间分辨率和多光谱波段设置等方面的优势，并且很多国内外的专家学者已经利用GOCI影像数据在GOCI的观测区域开展了内陆和沿海水质、大气污染监测等方面研究[15].综合考虑云覆盖、太阳光照条件差异和成像时间对卫星影像数据质量的影响，选取了2013年5月12日的上午10∶16∶41、11∶16∶41、12∶16∶41三景太湖区域无云或少云的GOCI的L1B影像和GOCI经过GDPS大气校正的二级产品影像，开展了快速大气校正修复方法研究.

2大气校正方法及效果分析

2.1辐射传输模型与水体大气校正原理

水色遥感信号是卫星传感器在某一波段(中心波长λi)接收到的大气层顶[14](top of atmosphere，TOA)辐亮度Lt(λi)，包括了大气散射和水面对天空光的镜面反射引起的程辐射Lpath(λi) (包含瑞利散射Lr(λi)和气溶胶散射[15]La(λi))、水面对直射太阳光的镜面反射引起的太阳耀斑Lg(λi)、直射太阳光和天空光引起的水面白帽反射Lwc(λi)以及来自水体的离水辐亮度Lw(λi).在浅水光学中，还包括来自水底的贡献[16]Lb(λi)，即来自水体和水底的总贡献为Lwb(λi)；水体离水辐亮度和白帽贡献可近似认为均匀角分布，因此采用大气漫射透过率[16]t；太阳耀斑分布具有很强的方向性(极大风速除外)，因此采用大气直射透过率[18]T；因此根据辐射传输模型，可知以下公式(省略)：

Lt=Lpath+T·Lg+t·(Lwc+Lw+Lb).

(1)

由于研究区域是高浑浊区域，因此水体底部的贡献可以忽略[17]，而太阳耀斑可以直接去除，对中高纬地区的静止轨道卫星的太阳耀斑影响较小，可以忽略不计[18]，故这里省略，此外，在低风速情况下，水面的白帽对直射的太阳光和天空光引起的辐射也可不计[19]；另外，无论单次散射、多次散射或瑞利散射都有比较精确的算法，将其他这些可忽略或者能计算的量整理到一起，记为Lother，故公式可简化为：

Lt=Lother+t·(Lw).

(2)

水色遥感的大气校正最终目的是获得水体的遥感反射率Rrs，以便于利用遥感反射率进行水体参数信息反演.其中水体的遥感反射率Rrs和离水辐亮度Lw的关系如公式(3)所示：

(3)

式中，F0表示经过日地距离修正的大气层外太阳辐照度；θ0表示太阳天顶角；t0太阳方向的大气漫射透过率，这三个参数均为常量.将(2)式和(3)式合并，可得：

(4)

将(4)式简化之后，可得：

(5)

根据公式(5)，可知水体的遥感反射率Rrs和卫星传感器接受到的辐亮度Lt，在一定条件下，呈现较好的线性关系，因此通过求解模型中的拟合系数a和b，即可获取水体的遥感反射率.

2.2大气校正修复方法

考虑到太阳下行辐射的角度对卫星传感器的影响，首先对入射的太阳辐射的变化进行归一化，从特定的观测方向(太阳天顶角θ0)的大气层顶的辐亮度Lt进一步转化为大气层顶反射率RTOA，如公式(6)所示：

(6)

式中，S0为太阳常数.

本文根据辐射传输模型以及大气层顶反射率和水体遥感反射率的相关关系，在公式(5)和公式(6)的基础上，建立了水体遥感反射率大气校正修复的半经验模型，如公式(7)所示：

(7)

式中，RTOA为GOCI一级辐射校正产品数据，Rrs为GOCI二级大气校正产品数据.

本文逐步选取浑浊水体周围指定范围内的所有RTOA和Rrs像素值进行相关性分析，结果如图2所示，然后分别选取最大R2对应的最佳像素范围半径内的的RTOA和Rrs的像素点，以公式(7)为基础，利用去噪且稳健的迭代加权最小二乘的鲁棒回归方法对其进行拟合，与最小二乘拟合相比，鲁棒回归的拟合结果受异常值的影响较小[19]，拟合结果如图3所示，详细结果如表1所示，由表1可知，每个波段对应的最佳像素范围半径各不相同，其中波段4的最佳像素范围半径最大，为15个像素；前三个波段的最佳像素范围半径最小，为8个像素；各波段的均方根误差(RMSE)相差不大，平均差距在0.000 2 sr-1之间；波段5的R2最大，为0.980，波段8的R2最小，为0.840，各波段的R2的差距不大，R2皆超过0.8，说明各波段拟合结果较好.

图2 逐像元的和相关性分析Fig.2 Correlation analysis of and by pixel

图3 各波段不同像素范围的拟合结果Fig.3 Fitting results of different pixel ranges in each band

2.3结果与讨论

本文将上述快速大气校正修复方法应用至GOCI二级产品的大气校正失效的浑浊水体区域进行了修复，随后对修复前和修复后的GOCI影像数据开展了以归一化叶绿素a指数[20](normalized different chlorophyll-a index:NDCI)为基础的反演研究，反演得到的NDCI分布如图4所示，公式如(8)所示：

(8)

由图4可知，未修复的GOCI大气校正产品反演得到的NDCI影像在靠近湖区边缘的浑浊水体区域，不能得到有效的反演结果，而修复后的NDCI影像则在湖区边缘地区获取更多的反演结果，同时，两者在相同的覆盖区域的NDCI反演结果的变化趋势具有高度的一致性.由图5和表2可知，三幅影像的未修复和修复后的NDCI反演结果的R2都大于0.8，其中11∶16∶41和12∶16∶41的反演结果的R2超过了0.9，同时，RMSE均不超过0.007，平均绝对误差(MAE)均不超过0.001，平均相对误差(MRE)均小于1.2%，标准差(STD)均小于0.007，以上验证结果说明未修复和修复后的GOCI影像数据在NDCI的反演结果上是高度一致的，同时也说明本文的大气校正的修复方法具有较高的性能.

图4 未修复和修复的NDCI反演结果Fig.4 NDCI inversion results for unrepaired and repaired

图5 未修复NDCI和修复后NDCI验证对比Fig.5 Comparison of unrepaired NDCI and post-repair NDCI verification

表2 未修复和修复后的NDCI验证对比分析的统计结果Tab.2 Statistical results of NDCI verification comparisonanalysis before and after repair

3结束语

本文在传统大气校正算法在GOCI传感器上不适用且GOCI大气校正产品的不足的基础上，根据邻近像素的大气环境具有相似性的特点，确定了各波段最佳的邻近像素范围半径，并利用该范围内的像素点数据构建大气校正修复模型，通过迭代加权的最小二乘回归方法，去除异常值的影响，最终得到了准确的大气校正修复模型的模型参数，最后将该方法分别应用至修复前和修复后的NDCI反演结果中，通过对比验证分析，发现修复后的NDCI反演结果具有更高的反演精度，说明了该方法的有效性.