基于高分六号卫星遥感影像的太湖叶绿素a质量浓度反演

2021-02-22杨英宝孙怡璇孙浦韬李藤藤

河海大学学报（自然科学版） 2021年1期

潘鑫，杨子，杨英宝，孙怡璇，孙浦韬，李藤藤

(河海大学地球科学与工程学院，江苏南京 211100)

目前国内外使用较多的叶绿素a浓度反演模型主要有3种：经验模型、生物光学模型以及半经验/半分析模型，3种模型各有其优势及局限性。祝令亚[1]以太湖为研究区，采用MODIS数据，用波段组合算法建立了叶绿素a浓度的反演模型。温新龙等[2]以太湖为例，基于环境一号卫星CCD数据，利用波段组合算法，发现基于CCD数据第4波段与第3波段反射率比值的二次模型具有良好的叶绿素a浓度反演效果。朱利等[3]基于环境一号卫星多光谱数据，建立了分地区季节经验模型反演叶绿素a浓度。李旭文等[4]基于Landsat TM数据和地表实测数据建立了经验模型,并对梅梁湖区蓝藻生物量进行了估算，证明叶绿素a浓度和DVI(差异植被指数)的相关性较高。李素菊等[5]基于波段比值(the band ratio,TBR)模型及一阶微分模型进行了巢湖流域浮游植物叶绿素含量和反射率光谱特征关系的研究。李铜基等[6]基于数理统计方法，结合实测数据，建立了以色素质量浓度0.7 mg/m3为分界点时地表反射率与叶绿素a浓度的关系。段洪涛等[7]以查干湖区域为研究区，基于叶绿素荧光峰(700 nm)和叶绿素吸收峰(670 nm)的反射率比值与叶绿素a浓度的对数关系建立了使用高光谱数据的经验回归模型。刘忠华[8]基于单波段叶绿素a浓度模型对太湖流域西部进行了研究，表明叶绿素a浓度在712 nm波长处与地表反射率的相关性最强。关于单波段模型，Rundquist等[9]基于对大量实测数据的研究，认为叶绿素a浓度在690 nm波长处与地表反射率的相关性较高。赵碧云等[10]基于不同波段反射率与叶绿素a浓度的相关性建立了针对TM遥感数据的叶绿素a水质反演模型，并研究了滇池流域的水质，证明TBR模型可以消除部分大气对反演结果的影响，一定程度提高了反演精度。上述研究表明，经验模型局部反演精度较高，且模型构建方法简单，但实测数据的质量对其反演结果影响较大，在不同空间和时间尺度的适用性不强。

在叶绿素a浓度的生物光学模型研究中，Gordon等[11]提出了具有代表性的生物光学模型基本公式，但该模型中的各部分参数定量表征复杂；李云梅等[12]等建立了基于模拟数据的生物光学模型，并且成功进行了太湖流域的叶绿素a浓度反演；Lee等[13]提出了QAA(quasi-analytical algorithm)，主要应用于二类水体叶绿素a浓度的估算。Li等[14]则提出了叶绿素a浓度反演分析IIMIW模型。生物光学模型的参数受到水体组成成分的影响较大，在时间和空间尺度上的普适性同样有待提高。

Dall’Olmo等[15]提出了基于半经验/半分析模型的三波段(three band semi-analysis,TBS)模型，Le等[16]研究表明，近红外波段吸收系数受浑浊水域悬浮物浓度的影响，须引入第4个波段以消除悬浮物浓度造成的影响，并将三波段算法发展成为四波段模型。黄昌春等[17]利用具有较大时空差异性的水体组分和光学特性数据集对现有叶绿素a浓度的半分析模型和生物光学模型进行了检验，三、四波段模型总体反演精度高。徐祎凡等[18]以太湖为研究区，利用TBS算法构建了基于地球静止海洋彩色成像仪数据(GOCI)的太湖叶绿素a浓度反演模型。Zhang等[19]在研究中指出，季节变化会引起水体组分变化，导致算法具有局限性，提出了一种软分类方法对常用的半分析模型进行了实验，通过分类来提高反演精度。

目前叶绿素a浓度遥感反演大多基于中低分辨率遥感数据，精度有待提高。本文采用我国首颗具有红边波段的高分六号(GF-6)卫星遥感影像进行了太湖流域叶绿素a质量浓度反演研究，并进行了不同反演模型的精度分析，以寻求基于高分六号卫星遥感影像反演叶绿素a质量浓度的最佳模型。

1 叶绿素a质量浓度反演方法简介

本文选用基于经验模型和半经验/半分析模型进行叶绿素a质量浓度的反演。基于经验模型的叶绿素a质量浓度反演模型有TBR模型和归一化差异叶绿素指数(normalized differential chlorophyll index，NDCI)模型，基于半经验/半分析模型的叶绿素a质量浓度反演模型有TBS模型，3种模型计算公式分别为

(1)

(2)

(3)

式中:ρ(Chl-a)——叶绿素a质量浓度；A、B——常数；Ra、Rb、Rc、Rd、Re、Rf、Rg——参与计算的遥感反射率。

为了评价叶绿素a质量浓度反演模型的精度，采用平均值偏差(DMC)、标准差偏差(DSD)、平均绝对误差(AE)、平均相对误差(MRE)、均方根误差(RMSE)为精度评价指标。

2 研究区概况和研究数据

2.1 研究区概况

太湖流域的地理位置为30°55′40″N～31°32′58″N、119°52′32″E～120°36′10″E，属于亚热带季风气候区，降水充足，年平均降水量1 177 mm，多年平均天然年径流量160.1亿m3。太湖流域的地形特点为四周高、中间低、西部高、沿海的东部地区低。太湖流域河网密布，湖泊众多，总面积大于0.5 km2的湖泊共计189个，其中太湖富营养化最严重的地区是梅梁湾[20]。这些湖泊可以调节河川径流，同时具有灌溉等多种功能，丰富的湖泊资源成为太湖流域社会经济发展的基础条件。太湖是太湖流域内面积最大的湖泊，是我国第二大淡水湖，面积2 338 km2，多年平均蓄水量44.28亿m3。

2.2 研究数据

2.2.1 高分六号卫星遥感影像

高分六号卫星是我国高分专项系列中发射的第一颗具有红边波段的国产卫星[21]，于2018年6月2日在酒泉卫星发射中心成功发射并入轨运行，属于太阳同步卫星，其轨道高度为645 km。高分六号卫星搭载了2台全色多光谱相机、4台多光谱相机，有8个波段，空间分辨率为16 m。相对于高分系列的其他卫星，高分六号卫星新增了4个波段，其中有2个红边波段、1个紫光波段和1个黄光波段。红边波段更有利于利用植物的“陡坡效应”，可以有效地监测植被信息，适合于环境监测以及植被监测，在水体富营养程度方面的监测还有待研究。

本文采用的遥感数据是高分六号卫星宽幅传感器获取的太湖地区2018年10月28日、2019年4月6日和2019年6月3日的3幅影像，图像像素大小为16 m×16 m，为经过预处理的L1A级数据。高分六号卫星遥感影像的预处理主要包括传感器校正和大气校正两个过程。传感器校正又被称作辐射定标过程，其目的主要是消除传感器自身在遥感影像中造成的误差，这一步只是得到比较准确的大气顶层的辐射亮度，因为地表反射的太阳辐射在经过大气传输后仍然会有所改变，因此还需要进行大气校正。经过大气校正后的反射率误差很小，可用于叶绿素a质量浓度的反演。

2.2.2 实测数据

实测数据包括1期24个采样点的叶绿素a质量浓度和实测水面光谱反射率，以及5个自动监测站的3期叶绿素a质量浓度数据。24个采样点的采样日期为2018年4月25—26日；3期自动监测站的采样日期分别为2018年10月28日、2019年4月6日和2019年6月3日，监测站分别为大雷山、漫山、西山西、焦山和漾西岗。

实测的样点数据被分成两个部分：第一部分使用具有实测水面光谱反射率以及叶绿素a质量浓度的采样点数据，用来建立叶绿素a质量浓度计算模型，称为建模数据，共计24个；第二部分使用不具备实测水面光谱反射率，只包含叶绿素a质量浓度的样点数据，用来检验模型的反演精度，称为检验数据，共计15个。

a.叶绿素a质量浓度测定。采用分光光度法在实验室中测定,对采集的水样使用GF/C滤膜过滤，将抽滤水样的体积记为V1。然后将滤膜放到冰箱中冷冻，48 h后取出，再用热乙醇萃取，后在岛津UV2401分光光度计上测定665 nm和750 nm处吸光度，并计算2个吸光度的差A1,再加入稀盐酸酸化测定酸化后的提取液在665 nm和750 nm处的吸光度差A2，提取液的最终定容体积记为V2，根据下式换算得到叶绿素a质量浓度：

(4)

b.水体光谱采集。采用ASDHandHeld2便携式地物光谱仪采集太湖清洁水体和蓝藻水华水面光谱。光谱范围为350～1 075 nm，光谱分辨率为1 nm。光谱采集过程中仪器距离水面约1 m，采用倾斜测量的方式进行[22]，获得的实测水面反射率光谱曲线见图1。

图1 太湖水体实测反射率光谱曲线Fig.1 Measured reflectance spectral curve of Taihu Lake water

3 反演模型的构建与精度评价

3.1 高分六号卫星的波段模拟

实测反射率采样当天没有高分六号卫星过境，所以只能进行波段模拟，通过模拟波段反射率来建立卫星反射率和叶绿素a质量浓度之间的相关关系。高分六号卫星传感器有8个波段，波段范围为450～890 nm，在对高分六号卫星进行叶绿素a敏感波段分析的过程中，无法直接用实测遥感反射率(Rrs)与高分六号卫星遥感反射率(RGF-6)进行替换。因此，需要根据高分六号卫星的光谱响应函数，先对实测遥感反射率做波段等效，波段等效计算公式为

(5)

式中：λ——波长；Rrsλ——波长λ处的遥感反射率；fλ——波长λ处的高分六号卫星的光谱响应函数；450 nm、910 nm——高分六号卫星最短、最长波长。高分六号卫星的光谱响应函数如图2所示(图中B1～B8分别表示高分六号卫星的8个波段)。根据高分六号卫星的光谱响应函数建立的实测数据等效波段反射率如3所示。

图2 高分六号卫星光谱响应函数曲线Fig.2 Spectral response function curve of GF-6 satellite

图3 高分六号卫星模拟波段反射率Fig.3 Simulated band reflectance of GF-6 satellite

与图1太湖水体的实测反射率光谱曲线进行比较，高分六号卫星在550 nm与700 nm附近出现反射率的峰值，其对应的波段为B2与B5，实测反射率的峰值出现在560 nm以及710 nm附近，分别处于B2波段和B5波段的范围内。高分六号卫星在660 nm处出现反射率吸收峰，对应的波段为B3波段，实测反射率的吸收峰出现在670 nm附近，处于B3波段范围内，可见，高分六号卫星模拟波段的反射率特征和实测波段的反射率特征一致，可以替代实测数据反射率进行敏感波段的选择。

3.2 反演模型构建

3.2.1 TBR模型

采用24组实测叶绿素a质量浓度数据和对应采样点的光谱数据来选择TBR模型最佳波段，将卫星波段范围内每个等效波段的反射率分别除以其余所有等效波段的反射率，用得到的比值与叶绿素a质量浓度计算相关系数，取相关性最大的2个波段作为最佳波段，求得高分六号卫星的最佳波段为B2(波段1)和B5(波段2)。高分六号卫星的TBR指数与叶绿素a质量浓度的关系见图4(图中TBR指数表示高分六号卫星第2波段和第5波段反射率的比值)。

图4 高分六号卫星TBR指数与叶绿素a质量浓度的关系Fig.4 Relation between TBR index and chlorophyll a mass concentration of GF-6 satellite

3.2.2 NDCI模型

NDCI模型最佳波段选择方法同TBR模型，得到高分六号卫星的最佳波段为B2(波段1)和B5(波段2)。高分六号卫星的NDCI指数与叶绿素a质量浓度的关系见图5(图中NDCI指数表示高分六号卫星第2波段和第5波段反射率之差除以二者之和)。

图5 高分六号卫星NDCI指数与叶绿素a质量浓度的关系Fig.5 Relation diagram of NDCI index and chlorophyll a mass concentration of GF-6 satellite

3.2.3 TBS模型

采用24组实测的叶绿素a质量浓度数据和对应采样点的光谱数据来选择TBS模型最佳波段，按照最优波段选择的方法，将实测的水面光谱反射率替换成高分六号卫星的模拟波段,求得高分六号卫星的最佳波段为B3(波段1)、B6(波段2)和B2(波段3)。高分六号卫星TBS指数与叶绿素a质量浓度的关系如图6所示。

图6 高分六号卫星TBS指数与叶绿素a质量浓度的关系Fig.6 Relation diagram of TBS index and chlorophyll a concentration of GF-6 satellite

TBS指数计算公式为

(6)

式中：ITBS——TBS指数值；εB2、εB3、εB6——高分六号卫星第2、3、6波段的反射率。

3.3 反演结果的定性比较

选取2019年4月6日高分六号卫星遥感影像，采用3种模型来进行太湖叶绿素a质量浓度的反演，影像的假彩色合成和3种模型提取的叶绿素a质量浓度分布如图7所示。

从图7可以看出，太湖中叶绿素a质量浓度较高的区域一般分布在南部沿岸区、竺山湖与西部沿岸区的交界处和东太湖。其中NDCI模型和TBR模型叶绿素a质量浓度反演的结果比较相似，而在南部沿海岸区TBS模型反演的高质量浓度叶绿素a的量要比NDCI模型和TBR模型多。

图7 太湖叶绿素a质量浓度的分布(单位：mg/m3)Fig.7 Distribution of chlorophyll a mass concentration in Taihu Lake (units:mg/m3)

3.4 高分六号卫星和MODIS遥感影像反演结果对比

基于MODIS的2019年4月6日的遥感影像，采用TBR、NDCI模型进行太湖叶绿素a质量浓度的反演，继而与高分六号卫星的反演结果进行对比，结果见表1和图8。从图8可以看出，MODIS遥感影像反演的叶绿素a质量浓度整体偏低。从表1可以看出，MODIS遥感影像反演的叶绿素a质量浓度的DMC、DSD、AE、MRE、RMSE均要大于高分六号卫星遥感影像的反演值，因此采用高分六号卫星遥感影像反演叶绿素a质量浓度是可靠的。

表1 高分六号卫星与MODIS遥感影像反演精度对比Table 1 Inversion precision comparison between GF-6 satellite and MODIS data

图8 高分六号卫星与MODIS遥感影像反演结果对比(单位：mg/m3)Fig.8 Comparison of inversion results between GF-6 satellite and MODIS Data (units:mg/m3)

3.5 反演模型精度评价

未参与建模的样点数(检验数据)有15个，去除影像因薄云影响的5个数据，实际参与检验的数据为10个。采用3幅高分六号卫星遥感影像对3种反演模型进行精度评价，结果见表2。

表2 高分六号卫星遥感影像反演叶绿素a质量浓度的精度Table 2 Inversion accuracy of chlorophyll a mass concentration from GF-6 satellite image

由表2可见，TBS模型的DMC为4.27%，效果最好，NDCI模型的DMC为5.19%，略低于TBS模型，TBR模型的DMC为14.18%，说明TBR模型反演的叶绿素a质量浓度的平均值与实测的叶绿素a质量浓度的平均值误差较大。DSD则是TBR模型较好，TBS模型次之，NDCI模型最差，3种模型的DSD均在43%～44%范围内，相差不到1%，说明3种模型反演结果的分布较为接近。TBR、NDCI、TBS模型的MRE分别为38.16%、35.28%和67.99%，说明TBR模型和NDCI模型的反演结果较好，TBS模型反演效果较差。

表3为高分六号卫星3幅验证遥感影像反演结果的AE和MRE平均绝对误差统计表。可以看出，在3种模型中，验证样点最大MRE为86.76%，出现在TBS模型采用2019年6月3日卫星遥感影像的反演结果中；最小MRE为22.27%，出现在NDCI模型采用2019年4月6日卫星遥感影像的反演结果中。

表3 3幅高分六号卫星遥感影像反演结果的AE和MRETable 3 Statistical table of AE and MRE of three GF-6 satellite images

综合3幅遥感影像反演的平均结果来看，最大MRE和最大AE均出现在TBS模型中，最小MRE和最小AE出现在NDCI模型中。TBS模型的MRE均超过了50%，反演结果较差。TBS模型对太湖地区的叶绿素a质量浓度预测值偏高，可能是太湖地区复杂的水质情况导致TBS模型的精度较差。对2019年6月3日的卫星遥感影像反演结果进行分析，3种模型的MRE均超过了40%，AE均超过5 mg/m3，NDCI模型的结果比其他两个模型效果稍好，但也较为一般。这可能因为实测叶绿素a质量浓度数据都低于15 mg/m3的限制，所以本文建立的模型可能更适用于叶绿素a低质量浓度的反演。对于2018年10月28的卫星遥感影像，TBR和NDCI模型的MRE小于TBS模型。对2019年4月6日的卫星遥感影像，TBR与NDCI模型反演结果的MRE接近，反演结果较为可靠。