内陆水体藻蓝蛋白浓度遥感监测方法分析

摘要 藻蓝蛋白（PC）是内陆水域蓝藻存在的一个重要指标。众所周知，蓝藻水华对水生生态系统、农业用水及人类健康有着重要的影响。近年来，内陆水体PC浓度遥感监测得到了广泛的关注。然而，由于内陆水体的生物光学特性复杂，定量监测PC浓度仍然是一个挑战。本文讨论了利用现有遥感数据对PC的监测方法，以期为PC遥感监测研究提供一定的参考。

关键词 藻蓝蛋白;遥感;方法分析

中图分类号：X52 文献标识码： 文章编号：2095–3305（2020）06–0–02

DOI：10.19383/j.cnki.nyzhyj.2020.06.065

近年來，由于对水环境和人类健康的不利影响，内陆水体富营养化现象受到越来越多的关注。作为富营养化的一种重要表现形式，频繁的蓝藻水华已经对人类及其环境造成了严重威胁。然而，由于缺乏对蓝藻毒素的定量调查，很难估算其对饮用水和灌溉水、渔业和地表水等重要资源的潜在危害。因此，对内陆水体蓝藻水华的估算，特别是通过遥感技术提供实时的、动态的监测十分重要。

叶绿素a（Chl-a）作为浮游植物生物量的标志，在内陆水体中的遥感算法已经较为成熟[1]。藻蓝蛋白（PC）作为蓝藻特有的色素，已经证明了其在估算蓝藻生物量方面的巨大潜力。目前，所提出的几种产自内陆水域的PC反演算法大多依赖于620 nm附近的光谱曲线特征。一旦遥感数据缺失PC该敏感波段，就只能利用传统的经验方法建立模型。因此，不同的遥感数据由于波段数量和位置的不同，产生了不同的估算模型。

1 藻蓝蛋白估算模型

1.1 经验模型

传统的经验模型是根据遥感光学特征参数与实测PC浓度之间的统计关系所建立的回归模型。例如，Vincent等[2]利用TM数据波段比值估算了北美伊利湖的PC浓度。马荣华等[3]利用MODIS数据，通过建立多项式回归模型来估算PC浓度。Wozniak等[4]利用OLCI数据建立了波段比值回归模型，结果显示高光谱数据在经验模型中具有一定的潜力，并且随着高光谱传感器的发展，传统的经验模型也更加注重光谱曲线的光学特性。相对于PC而言，这些算法主要利用了620 nm附近的独特吸收特性。例如，一些研究人员已经成功地使用650 nm/625 nm/709 nm/620 nm的反射率比值估算了PC浓度。

传统的经验模型虽然是建立在一定的光谱特征基础上，但就模型本身而言，仍然是基于实测数据与光谱信息的统计关系上建立的。因此，模型的通用性并不理想，在空间上与时间上的变化很难产生稳定的结果。

1.2 半经验半分析模型

为了克服传统经验模型的缺点，基于水体光学特性的半分析算法应运而生，并应用于简单的传输模型。在借鉴Chl-a半分析模型算法的基础上，Gitelson等[5]通过分离620 nm处PC吸收率，提出了几种估算PC的半分析算法。这些算法已经在一些PC浓度较高的富营养化水域得到了一定的验证。与传统的经验算法相比，半经验半分析模型在时间和空间尺度上具有更高的通用性。然而，与这些算法仍然存在大气校正、参数确定等一系列困难。模型的参数确定，尤其是在620 nm处PC吸收参数的确定对模型反演的精度至关重要，参数的不确定性将直接影响算法的精度。在内陆浑浊水体，参数随时间、空间及水环境的变化而变化，将使得模型在大尺度空间中的应用变得困难。

为减少浑浊水体其他水质参数对光谱曲线的影响，Dall'Olmo等[6]提出了三波段半经验半分析模型，并在对内陆浑浊水体叶绿素a反演取得较好的效果，其公式可表示如下：

式中，Rλ1为受水质参数吸收影响最大位置所对应的反射率值，Rλ2为受水质参数吸收影响最小位置所对应的反射率值，Rλ3为受散射影响最小位置所对应的反射率值。因此，三波段的位置λ1、λ2、λ3应分别选择在620 nm、600 nm、725 nm。然而，由于λ1与λ2波段选取位置较为接近，这种重叠效应使得三波段模型中PC的反演很难达到叶绿素a浓度的反演效果。与此同时，一些学者提出对三波段模型进行一定的校正，校正后λ2波段位置通常设置在650～710 nm处。

1.3 分析模型

分析模型是通过将多波段数据转换成吸收系数（a）和向后散射系数（b）的反演算法。该方法在不同水域得到一定的进展。模型假设吸收系数约等于叶绿素a吸收与PC吸收之和。

其中，φ1和φ2可以通过波段比值的经验法估算，φ1=aChl-a （665）/aChl-a （620），φ2=aPC（665）/aPC （620）。与半经验半分析模型相比，分析模型是建立在一定的物理基础上，并且在一定的水域取得了更好的反演效果。然而，由于缺乏aPC（620）的实地测量，导致参数φ1和φ2无法导出和标定，进而导致PC浓度估算中存在较大的不确定性。

此外，在内陆水域中除PC和叶绿素a，还存在一定的浮游植物、溶解有机物和无机颗粒物等。由于这些组分的存在，测定PC吸收系数要比设定的情况复杂得多。将多波段反射数据转换为吸收系数的过程，也会导致一定的不确定性。因此，在内陆水体的分析模型中，参考光谱波段的选择和经验参数的确定是一个相当困难的问题。

2 小结

藻蓝蛋白（PC）的定量估算是监测内陆和沿海环境中蓝藻水华的关键。PC的吸收特性决定了其反演算法较为适合的使用波长范围为610～630 nm波段。目前，常用的反演算法包括了传统经验算法中的波段比值模型、半经验半分析算法中的三波段模型、分析模型和一些其他校正模型。然而，大多数的卫星传感器缺少620 nm附近的特定波段。因此，现有的PC反演算法大多集中于野外、船载或机载高光谱传感器的数据，并进行反演。而在卫星数据中的大规模应用还需要进一步的改进和研究。

参考文献

[1] 戴欣，吴东芳，白焱，等.浮游植物体内叶绿素a含量测定方法[J].东北水利水电，2013，31（8）：13–14.

[2] Vincent R K，Qin X ，Mckay R M L ，et al.Phycocyanin detection from LANDSAT TM data for mapping cyanobacterial blooms in Lake Erie[J].Remote Sensing of Environment，2004，89（3）：381–392.

[3] 马荣华，孔维娟，段洪涛，等.基于MODIS影像估测太湖蓝藻暴发期藻蓝素含量[J].中国环境科学，2009（3）：254–260

[4] Monika W ，Katarzyna B，Miroslaw D，et al.Empirical Model for Phycocyanin Concentration Estimation as an Indicator of Cyanobacterial Bloom in the Optically Complex Coastal Waters of the Baltic Sea[J].Remote Sensing，2016，8（3）：212.

[5] Gitelson A A，Gritz Y，Merzlyak M N.Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leaves.[J].Journal of Plant Physiology，2003，160（3）：271–282.

[6] Dall'Olmo G，Gitefson A A . Effect of Bio-optical Parameter Variability on the Remote Estimation of Chlorophyll-a Concentration in Turbid Productive Waters：Experimental Results——Erratum[J].Applied Optics，2005，44（16）：3342.

责任编辑：黄艳飞

Analysis of Remote Sensing Monitoring Method of Phycocyanin Concentration in Inland Water

LIU Yu （School of History and Culture， Mudanjiang Normal University， Mudanjiang， Heilongjiang 157012）

Abstract Phycocyanin （PC） is an important indicator of the existence of cyanobacteria in inland waters. As we all know， cyanobacteria blooms have important effects on aquatic ecosystems， agricultural water use and human health. In recent years， remote sensing monitoring of PC concentrations in inland waters has received extensive attention. However， due to the complex bio-optical properties of inland water bodies， quantitative monitoring of PC concentration remains a challenge. This article discusses the use of existing remote sensing data to monitor PC， in order to provide a certain reference for PC remote sensing monitoring research.

Key words Phycocyanin; Remote sensing; Method analysis

基金項目 黑龙江省教育厅基本科研业务费项目（1355MSYQN007）;牡丹江师范学院科研项目（QN2019010）。

作者简介 刘宇（1985–），男，黑龙江牡丹江人，硕士，讲师，主要从事资源信息系统研究。

收稿日期 2020–06–15