柘林湾近岸水产养殖区水域叶绿素a 浓度反演

潘翠红 , 夏丽华 , 吴志峰 , 王猛 解学通 王芳

1. 广州大学地理科学学院, 广东 广州 510006;

2. 生态环境部华南环境科学研究所, 广东 广州 510006;

3. 广东省农村水环境面源污染综合治理工程技术研究中心, 广东 广州 510006;

4. 南方海洋科学与工程广东省实验室(广州), 广东 广州 511485

海水养殖业已成为近岸海洋环境的重要污染源, 对海水养殖水体的监测刻不容缓。根据《2017 年广东省海洋环境公报》显示, 潮州市柘林湾的海水水质状况一年四季均劣于第四类海水水质标准, 监测结果表明湾区水体质量差的主要原因是海水养殖区排放大量的无机氮和活性磷酸盐, 水体中氮磷营养物质的富集引起藻类及其他浮游生物的迅速繁殖(广东省海洋与渔业厅, 2018)。已有研究表明, 水体中的叶绿素a 浓度与氮盐、磷酸盐浓度具有显著相关关系(陈永川 等, 2008; 蔡玉婷, 2010; Davidson et al, 2012; 陈学民 等, 2013; 江源 等, 2013; 杨凡 等, 2019), 因此叶绿素a 浓度是评价水体富营养化和水体质量的重要指标(孙伟, 2008)。许多研究者对柘林湾海水养殖区的水质及近岸水体生态环境做了研究, 如王增焕等(2004)根据渔业水域生态环境数据对叶绿素a 的含量、组成及季节变化进行了讨论, 得出柘林湾水域的叶绿素含量和季节变化受营养盐等理化因子的变化影响; 朱小山等(2005)根据实测数据分析了1999 年10 月—2020 年9 月柘林湾海域氮磷的分布特征, 并对增养殖区的富营养化状态进行了评价, 认为柘林湾的污染来源为陆源污染与养殖自身污染; 黄长江等(2005)在2001 年7 月—2002年7 月对柘林湾及其周边水域开展了叶绿素a 浓度周年调查, 结果表明黄冈河及湾口外侧的叶绿素a浓度明显高于湾内。对于柘林湾这种大规模海水增养殖区和赤潮重灾区, 对水质开展监测是刻不容缓的, 但面对大面积的海湾或海水养殖区, 人工定点监测既耗时又耗力, 并且难以掌握复杂的养殖区水体整体状况, 而遥感技术的发展则为人们进行大面积的水质监测提供了契机。

在海洋遥感领域研究中, 海水通常被分为Ⅰ类水体和Ⅱ类水体。Ⅰ类水体主要由浮游植物及其衍生物决定水体光学性质的变化; 而Ⅱ类水体光学性质的变化不仅受浮游植物及其衍生物的影响, 而且还受其他物质如悬浮泥沙和有色溶解有机物的影响。近岸海水养殖水域属于Ⅱ类水体, 目前利用遥感手段对这类水体的叶绿素a 浓度进行反演的方法主要有经验模型(Kallio et al, 2003; 闻建光 等, 2007; 潘应阳 等, 2017)、分析模型(吴仪 等, 2017)和半经验分析模型(Magnuson et al, 2004)。

经验模型一般先对实测的叶绿素a 浓度与水体光谱波段信息进行统计, 选出叶绿素a 的光谱敏感波段, 然后以单波段反射率或者波段组合、一阶微分的值等作为因子, 利用神经网络、线性回归以及支持向量机等方法获得叶绿素a 浓度与光谱信息的数学关系式(潘应阳 等, 2017), 以实现利用遥感技术来反演水体中叶绿素a 浓度的目的。如王金梁等(2014)利用人工神经网络和支持向量机分别对Juam水库和Yeongsan 水库中的叶绿素a 浓度进行了反演, 并得到水库的叶绿素a 浓度空间分布特征。李修竹等(2019)基于支持向量机法建立了长江口及其邻近海域叶绿素a 浓度的估算模型, 并取得了较好的结果。然而, 经验模型由于缺乏物理依据, 其在浑浊的Ⅱ类水体中的反演精度较低, 且普适性较弱。

分析模型依据电磁波在水体中的物理传输原理, 借助生物光学模型分析得到遥感参数与水体中叶绿素a 固有光学特征的关系, 从而利用遥感反演水体中的叶绿素a 浓度, 因此在不同水体中模型的适用性都相对较强。如吴仪等(2017)构建了新丰江水库叶绿素a 浓度的分析模型, 经反演得到叶绿素a 浓度的时空分布特征。但由于分析模型的机理过于复杂, 建立模型的难度较大, 因而其应用并不广泛(潘应阳 等, 2017)。

半经验模型是结合经验模型与传输模型对水体叶绿素a 浓度进行的反演, 即把叶绿素a 的固有光学特征和水体的光谱反射率相结合, 构建叶绿素a的敏感指数, 然后通过线性统计建立叶绿素a 浓度的反演模型。这种方法体现了电磁辐射在水体中的传输特性, 故具有一定的物理特性。主要的半经验模型有三波段模型、归一化叶绿素a 模型和荧光峰面积模型等。其中, 三波段模型基于光学生物模型, 在波段选择上尽可能地减少其他水体组分的干扰, 模型具普适性(宋挺 等, 2017), 受到了研究者的青睐。如郭宇龙等(2015)构建了适用于静止水色卫星(Geostationary Ocean Color Imager, GOCI)影像数据的叶绿素a 浓度三波段模型, 并用于估算三峡水库、巢湖、洞庭湖和太湖的水体叶绿素a 浓度; Zhang 等(2011)同样利用三波段模型对珠江口叶绿素a 浓度进行估算, 并得到了较好的效果。归一化叶绿素a指数模型(Normalized Difference Chlorophyll Index, NDCI)能有效地避免水中悬浮物对短波光谱的影响, 对浑浊水体中的叶绿素 a 具有敏感性(安如 等, 2013)。荧光峰面积模型由荧光峰的高度与位置决定, 而叶绿素浓度变化影响着荧光峰高度与荧光峰面积。研究者根据荧光峰面积模型做了大量研究, 如Liu 等(2011)利用荧光峰高度和位置结合的荧光包围区面积来估算珠江口近岸海域叶绿素a 浓度。

Ⅱ类水体中叶绿素a 浓度的众多反演模型被应用在不同的卫星影像中, 不同的卫星影像具有各自的特性与优势。国内外学者利用地球观测卫星高光谱遥感传感器(Earth Observing-1 Hyperion) (安如 等, 2013)、环境一号卫星(HJ-1A/B CCD)(罗建美 等, 2017; 孙小涵 等, 2018)、美国陆地卫星4～5 号专题制图仪(Thematic Mapper, TM) (陈楚群 等, 1996; 李苗 等, 2012)、中等分辨率成像光谱仪(Moderate Resolution Imaging spectroradiometer, MODIS) (Zhang et al, 2011; 张明慧 等, 2018; 赵文静 等, 2018)及中分辨率成像光谱仪(Medium Resolution Imaging Spectrometer, MERIS) (安如 等, 2013)进行了叶绿素a 浓度反演, 并且均得到了较好成果。但这些影像数据的空间分辨率低, 在小尺度区域进行叶绿素a 浓度反演具有一定的局限性。欧洲航天局的哨兵2 号(Sentinel-2)影像是新一代多光谱影像, 共有12 个波段, 具有较高的时间和空间分辨率, 适 用于近岸水体监测。

因此本文将结合Sentinel-2 影像与实测叶绿素a浓度数据, 构建近岸海水养殖水体中的叶绿素a 浓度反演模型, 通过对比分析后以精度高的反演模型估算叶绿素a 浓度, 并分析其空间分布特征。本文旨在探讨遥感技术在养殖水体水质监测中的应用, 降低监测成本, 响应国家提倡的水产养殖业绿色发展, 为生态养殖模式的实施提供技术参考。

1 研究区概况

研究区位于广东省潮州市饶平县黄冈河出海口 南 侧 的 柘 林 湾 (116°57′0″—117°6′0″E, 23°32′24″—23°40′12″N)。柘林湾是饶平县最大的港湾, 湾外有南澳岛阻挡风浪, 湾内有水深条件相对较好的潮汐水道(三百门水道)以及大范围的浅滩(欧素英 等, 2016), 为海水养殖提供了得天独厚的自然条件, 成为广东省最大的水产养殖基地。柘林湾作为广东省沿海八大湾区之一, 2017年《广东省海岸带综合保护与利用总体规划的通知》(粤府〔2017〕120 号)明确指出, 对该湾区进行陆海污染物排放, 强化海洋空间资源管控和景观整治, 加强海洋生态保护与修复, 防范海洋灾害风险, 因此以柘林湾海水养殖区为研究对象将具有重要意义。浮筏养殖是在浅海海区利用绳索、浮桶、竹竿、玻璃或塑料浮子等器材制成平台式的筏架, 进行大型藻类、贝类及其他海产动物的养殖。滩涂养殖是对海产动植物在潮间带滩涂特定条件下进行的养殖。根据实地调查与网上资料查阅, 柘林湾主要的海水养殖方式有池塘养殖、滩涂插养、浮筏养殖以及网箱养殖等(图1), 其中滩涂养殖以牡蛎养殖为主, 浮筏养殖以贝类为主。

2 研究数据

2.1 叶绿素a 浓度

2018 年9 月4 日—9 日对柘林湾近岸海水养殖水体进行采样测量, 共采集47 个样本, 并记录样本坐标。按照《中华人民共和国国家环境保护标准(HJ 897-2017)》中的叶绿素a 测定方法——丙酮分光光度法(魏复盛, 2002), 利用美国哈希公司的Hydrolab DS5 对海水养殖水体样本中的叶绿素a 浓度进行测定。根据哈希水质分析仪(Hydrolab DS5)中叶绿素a探头的光学信息(电压值)与叶绿素a 实际浓度呈线性关系的原理, 本文利用哈希叶绿素a 探头的电压 值与丙酮分光光度法所测的叶绿素a 实际浓度值做线性回归模型(图2), 当样本出现异常值或缺失值(A13, A17, A30)时以拟合值代替, 其他则用实际测量值, 两种方法相结合以保证水质中叶绿素a 浓度的准确性。样本的叶绿素a 浓度最高达115.78μg·L–1, 最小为3.18μg·L–1, 其中池塘养殖区的样本浓度高于其他养殖区, 平均值达到77.67μg·L–1(表1)。

图1 研究区养殖类型分布示意图 底图来源于天地图在线地图(https://map.tianditu.gov.cn/) Fig.1 Overview of the study area and the distribution of aquaculture type areas

图2 哈希叶绿素a 探头电压值与实测叶绿素a 浓度的相关关系 Fig.2 Linear relationship between voltage value of chlorophyll-a probe and measured chlorophyll-a concentration

此外, 2019 年8 月15 日在柘林湾采集了8 个样本(图3), 用于对研究区不同时相的叶绿素a 浓度估算进行有效性验证, 这 8 个样本数据不参与模型的构建。

2.2 卫星数据

哨兵2 号卫星拥有可见光-近红外以及短波红外共13 个波段(表2), 空间分辨率有10m、20m 和60m三种。与应用较广泛的Landsat8 卫星相比, Sentinel-2卫星传感器拥有较高的空间分辨率以及3 个额外波段, 一般用于林业监测、地表覆盖变化、内陆河流及沿海区域的自然环境监测等方面。

本文从ESA( European Space Agency)官网获取了2018 年9 月4 日与地面测量同步及云量为8.644%的Sentinel-2 影像1c 级产品, 用于叶绿素a 浓度反演模型建立; 其他时相的5 景Sentinel-2 影像用于估算海水养殖区的水体中叶绿素a 浓度, 影像详细信息如表3 所示。利用Brookman Consult 开发的SNAP软件对Sentinel-2 数据进行辐射定标和大气校正, 得到水体的真实反射率(Gitelson et al, 2003)。通过前人研究发现, Sentinel-2 卫星数据的波段1(中心波长443nm)～波段7(中心波长783nm)是水体信息提取的主要波段, 如李亭亭(2018)利用Sentinel-2 影像的波段3(中心波长556nm)与波段4(中心波长665nm)开展了效果较好的鄱阳湖水体叶绿素a 浓度反演; 蒋丹丹等(2019)利用Sentinel-2 影像的波段3(中心波长556nm)～波段7(中心波长783 nm)实现了较高精度的城市水体提取, 因此Sentinel-2 影像可应用在本文的研究中。

表1 各样本叶绿素a 浓度统计结果 Tab. 1 Statistical results of chlorophyll-a concentration of the samples

图3 样本点分布 底图来源于OpenStreet 在线地图(https://osm-boundaries.com/ Map) Fig.3 Distribution of sampling sites (background image from OpenStreet online map: https://osm-boundaries.com/ Map)

表2 Sentinel-2 影像波段介绍 Tab. 2 Introduction to sentinel-2 image bands

表3 用于本次研究的柘林湾Sentinel-2 影像信息 Tab. 3 Sentinel-2 image information in the study of Zhelin Bay

2.3 近岸水产养殖水域

为了避免其他地物对水质反演的影响, 本文对海水养殖区水体之外的区域进行掩膜, 以提高工作效率。目前基于遥感技术提取水体边界的方法众多, 主要有波段阈值法、多波段谱间关系法(杨树文 等, 2010)、指数法(骆剑承 等, 2009; Rokni et al, 2014)、图像变换(周小莉 等, 2016)及基于知识的自动判别方法(Lv et al, 2010)等。由于近岸海水养殖中, 池塘养殖的围基与建筑物相对较小, 单独利用光谱信息进行养殖区域水体提取时可能出现“同谱异物”和“同物异谱”现象。因此, 本文根据海水养殖的空间分布特征, 利用面向对象多尺度分割方法, 结合影像对象的光谱、几何及纹理特征对养殖水体进行提取, 从而得到水域分布图。

3 研究方法

在2018 年9 月4 日—9 日共采集47 个样本(图3), 利用其中的40 个样本进行叶绿素a 浓度估算模型的构建, 剩余的7 个样本用于模型的误差分析。

3.1 经验模型

在构建经验模型前, 首先通过SPSS 软件对无量纲化处理后的样本点所在 2018 年 9 月 4 日Sentinel-2 影像像元的光谱值与叶绿素a 浓度进行相关性分析。从Sentinel-2 影像各波段光谱值与叶绿素a 浓度的相关性(图4)中可以看出, 在波段2(中心波长490nm)处两者呈负相关, 皮尔森相关系数为0.73, 这可能是由于柘林湾近岸水质浑浊, 水体中叶绿素a 和黄色物质在400～500nm 波段范围的光强吸收作用导致的。在波段3(中心波长556nm)处, 光谱值与叶绿素a 浓度也呈负相关关系, 皮尔森相关系数为0.66; 样本在此波段范围内有个小反射峰, 根据叶绿素a 的光谱特性, 此反射峰可作为叶绿素a 浓度的定量标识。在波段9(中心波长945nm)处, 光谱值与叶绿素a 浓度呈正相关关系, 皮尔森相关系数为0.75; 在近红外波段处, 由于水体的强吸收作用, 光谱值相对较低, 但随着水体中叶绿素a 浓度的增加, 此波段范围内的光谱值增加, 因此也可作为叶绿素a 浓度的判断因子。在各个波段与叶绿素a 浓度的相关性中, 波段2(中心波长490nm)与波段9(中心波长945nm)的皮尔森相关系数最高, 波段2 与波段9的比值能消除一定的噪声影响。因此, 本文以波段9(中心波长945nm)处的光谱值, 以及波段2(中心波长490nm)与波段9(波长945nm)的光谱比值作为因子, 与40 个实测样本点进行统计分析, 并对比反演精度, 构建研究区水体中叶绿素a 浓度的经验模型。

图4 各波段因子与叶绿素a 浓度的相关性 Fig.4 Correlation between the factor of each band and chlorophyll-a concentration

3.1.1 单波段

本文通过相关性分析, 选出关联度最高的波段9(波长945nm)作为自变量因子与叶绿素a 浓度进行线性回归分析, 并建立相应模型。

3.1.2 波段比值

波段比值法通常以近红外波段范围内光谱极大值波段的光谱反射率与红波段范围内极小值波段的光谱反射率进行比值运算, 然后以比值作为自变量因子, 与叶绿素a 浓度进行回归分析, 并建立估算模型。也有研究者通过相关性分析, 得到相关性高的波段进行比值运算, 然后利用比值与叶绿素a 浓度进行回归分析并建立模型, 如陈楚群等(1996)通过关联度分析得到叶绿素a 浓度的敏感波段, 以波段组合建立了广东大亚湾叶绿素a 浓度估算模型。本文通过波段分析, 选取波段9 与波段2 的比值作为自变量因子, 与叶绿素a 浓度进行回归分析, 得到叶绿素a 浓度估算模型。

3.2 半经验分析模型

本文利用半经验分析模型中的三波段模型与归一化叶绿素a(NDCI)模型对水体中的叶绿素a 浓度进行反演。

3.2.1 三波段模型

早在2003 年Gitelson 等(2003)提出了三波段遥感反射率模型, 用于陆地植被色素含量估算。随着研究的深入, 这种模型在水域中的应用已经得到了验证。三波段模型在波段选择上尽可能地减少了其他水体组分的干扰, 具有一定的物理特性, 因此模型在一定程度上具有较好的适用性(宋挺 等, 2017)。许多研究者运用该模型对叶绿素a 浓度进行反演, 并获得了较高精度的反演结果。三波段模型可用以下公式表示:

模型中,1()λR 为波段λi的光谱反射率, Cchl-a为叶绿素a 浓度。其中, λ1应选择叶绿素a 处于极大值的红光吸收峰附近; λ2目的在于去除部分可溶性黄色物质和悬浮物对水体吸收系数的影响, 应选择与λ1相邻的荧光峰波段; λ3所在波段区域, 其受水体的吸收应主要由纯水主导(宋挺 等, 2017)。根据Dall' Olmo 等( 2005)的研究, 认为λ1、λ2和λ3的取值范围分别是660～690nm、700～750nm 和≥730nm。因此, 本文的λ1、λ2和λ3分别取665nm、705nm、740nm 波段, 即本文的三波段模型为:

3.2.2 归一化叶绿素指数模型(NDCI 模型)

Mishra 等(2012)提出了一种叶绿素估算指数NDCI 模型, 这个指数模型根据665～675nm 附近的吸收峰和700～710nm 附近的反射峰是由水体中叶绿素a 浓度造成的原理而产生的, 能有效地避免水中悬浮物对短波光谱的影响, 因而对浑浊水体中的叶绿素a 具有敏感性。模型表达式如下:

模型中,1()λR 为波段λ1处的反射率,2()λR 为波段λ2处的反射率。本文的λ1取665nm 波段, λ2取705nm 波段, 即本文的NDCI 模型为:

3.3 模型精度误差分析方法

本文利用未参与建模的7 个样本点对上述反演模型进行精度验证, 引入均方根误差(Root Mean Square Error, RMSE)、平均绝对百分比误差(Mean Absolute Percentage Error, MAPE), 以及平均绝对误差(Mean Absolute Error, MAE)作为标准, 对所求反演模型的精度进行评价, 值越大, 表示估算误差越大, 模型的精度越低。计算公式分别为:

以上各式中, Ci估算为模型预测的叶绿素a 浓度, Ci实测为实际测量的叶绿素a 浓度, n 为样本数。

4 结果与分析

4.1 估算模型的建立与精度对比

随机选取40 个样本点进行建模, 将单波段模型、比值模型、三波段模型及NDCI 模型确定最优波段后的光谱信息因子作为自变量x, 与实测的样本点进行回归分析, 得到与叶绿素 a 浓度的线性关系(图5)。从图5 中可以看出, 比值模型与NDCI模型的决定系数R2较高, 分别为0.77 与0.8。各模型用7 个样本点进行误差验证, 引用RMSE、MAPE及MAE 作为标准进行精度评价, 评价结果见表4。从表中的数据可看出, NDCI 模型的估算精度是所有模型中最高的, 其RMSE、MAPE 及MAE 均较小, 基本满足反演的精度要求, 因此本文利用此模型对水产养殖水体中的叶绿素a 浓度进行估算。

表4 不同叶绿素a 浓度反演模型的精度对比 Tab. 4 Accuracy comparison of different chlorophyll-a inversion models

4.2 NDCI 模型的普适性评价

叶绿素a 浓度遥感反演方法的普适性是遥感技术在水体叶绿素a 浓度反演中具实用性的重要前提, 其普适性主要表现为相同方法在不同时间、区域及遥感数据源间的可移植性。为了验证本文NDCI 模型对近岸水产养殖区水域叶绿素a 浓度反演的有效性, 将上述所建估算模型运用在2019 年8 月15 日的Sentinel-2影像中, 并利用2019 年8 月15 日所测的8 个样本点进行精度评价。根据评价结果(表5), NDCI 模型估算2019年8月15日样本点叶绿素a浓度的RMSE为3.29, MAPE 为 0.52, MAE 为 2.19, 标准差(Standard Deviation, SD)为4.85, 为各模型中精度最佳。由此可见, NDCI 模型在不同时序影像的水体叶绿素a 浓度估算中具有稳定性, 即该模型具有较好的普适性, 故本文将其运用于研究区水域长时序的叶绿素a 浓度估算中。

4.3 叶绿素a 浓度的时空分布特征

在对2018 年9 月4 日的叶绿素a 浓度反演结果中, 叶绿素a 由近岸向湾外逐渐降低, 养殖区集中分布区域的叶绿素a 浓度高于无养殖区(图6)。在各养殖类型区的叶绿素a 浓度对比中, 池塘养殖水体的叶绿素a 浓度高于滩涂插养区、网箱养殖区和浮筏养殖区。池塘养殖水体的叶绿素a 浓度基本在48μg·L–1以上, 而黄冈河西侧池塘水体的叶绿素a浓度又高于东侧。根据野外调查发现, 黄冈河西侧养殖区(碧州村)陆域与海域的水体交换管道是由养殖户自行铺设的, 导致养殖的饵食残留物、代谢物和废水等污染物不容易扩散, 因此西侧池塘水体中的叶绿素a 浓度高于东侧池塘。此外滩涂插养区、网箱养殖区与浮筏养殖区水体中的叶绿素a 浓度高于无养殖区水体, 浓度均大于17μg·L–1。

图5 叶绿素a 浓度反演模型 a. 单波段模型; b. 比值模型; c. 三波段模型; d. NDCI 模型 Fig.5 Various chlorophyll-a inversion models: (a) single band model, (b) the ratio of the model, (c) three-band model, and (d) NDCI model

表5 各模型反演2019 年8 月15 日叶绿素a 浓度的精度对比 Tab. 5 Accuracy comparison of chlorophyll-a concentration on August 15, 2019 estimated by various models

为了探究柘林湾海水养殖区叶绿素a 浓度的时空分布规律, 本文选取2018 年4 月、6 月、9 月、12 月及2019 年2 月图像质量较好的5 景Sentinel-2影像, 对柘林湾海水养殖区水体的叶绿素a 浓度进行了时间序列的反演, 反演结果如图7 所示。同时, 按养殖类型对叶绿素a 浓度的反演结果进行统计(表6), 结果显示柘林湾养殖区叶绿素a 浓度的总体趋势为: 池塘养殖区＞滩涂插养区＞网箱养殖区＞浮筏养殖区。由于近岸海域水体交换开放, 因此网箱养殖区水体中的叶绿素a 浓度相对较低, 但网箱附近水体的叶绿素a 浓度仍比非养殖区和浮筏养殖区高, 这是由于浮筏与网箱的存在导致潮流动力受到影响, 造成养殖产生的污染物难以扩散。

1—2 月为柘林湾近岸水产养殖周期中的空窗期, 3—6 月为养殖初期, 8—12 月为养殖收成期。根据各养殖类型区不同月份的平均浓度(表5), 从养殖周期上看, 柘林湾养殖区叶绿素a 浓度的总体趋势为: 养殖空窗期＜养殖初期＜养殖收成期, 其中9 月与12 月池塘养殖区的叶绿素a 浓度相对较高, 平均浓度分别为65μg·L–1、75.54μg·L–1。

根据潮州市2018 年4 月、6 月、12 月及2019年2 月的日均降雨量(图8)与叶绿素a 浓度对比情况来看, 当日均降雨量较小时, 该月份遥感影像所反演的水体叶绿素a 浓度较高。其中, 池塘养殖区域受降雨量影响最明显, 2018 年12 月的日均降雨量仅为0.33mm, 池塘养殖区中水体的叶绿素a 浓度平均高达75.54μg·L–1。

5 结论

本文利用2018 年9 月4—9 日的实测叶绿素a浓度及Sentinel-2 卫星影像, 使用单波段模型、比值模型、三波段模型与NDCI 模型对柘林湾海水养殖水体中的叶绿素a 浓度进行了反演, 并根据各模型的精度对比与评估, 利用精度较高的NDCI 模型估算了2018 年多个月份的叶绿素a 浓度, 进而分析了柘林湾近岸养殖区水体中叶绿素a 浓度的时空分布规律。主要研究结论如下:

图6 2018 年9 月4 日叶绿素a 浓度的NDCI 模型估算结果 Fig.6 NDCI model-estimated results of chlorophyll-a concentration on September 4, 2018

图7 2018 年4 月(a)、6 月(b)、12 月(c)与2019 年2 月(d)叶绿素a 浓度的NDCI 模型估算结果 Fig.7 NDCI model-estimated the results of chlorophyll-a concentration in April (a), June (b), and December (c) of 2018 and February 2019 (d)

表6 不同时间各养殖类型区的叶绿素a 平均浓度 Tab. 6 Average chlorophyll-a concentration of each culture type at different times

图8 2018 年4 月、6 月、9 月、12 月与2019 年2 月潮州市日均降雨量 Fig.8 Average daily rainfall of Chaozhou in April, June, and December of 2018 and in February 2019

1) 根据误差评价结果, 所建的4 个估算模型中, 比值模型、NDCI 模型与三波段模型效果较好, 其中NDCI 模型的精度最高, R2达到了0.8。在样本的光谱特征分析中, 波段4(中心波长665nm)为吸收峰, 波段5(中心波长705nm)为叶绿素a 的荧光反射峰, 两个波段对叶绿素a 浓度变化敏感。NDCI 模型在波段选择上选用波段4 与波段5, 在一定程度上减少了其他水体组分的影响, 所以模型的精度相对较高。通过对NDCI 模型的时间适用性评价, NDCI 法 也表现出较好的稳定性。

2) 在NDCI 模型估算2018 年9 月4 日的叶绿素a 浓度结果中, 池塘养殖水体的叶绿素a 平均浓度高达65.52μg·L–1, 总体上近岸海域水体的叶绿素a 浓度大于14μg·L–1, 表明水质状态较差。

3) 利用NDCI 模型对2018 年4 月、6 月、12月以及2019 年2 月柘林湾近岸养殖区水体中的叶绿素a 浓度进行反演, 结果显示养殖集中分布区水体中的叶绿素a 浓度高于非养殖区, 且不同养殖周期或养殖方式, 其产生的污染量也有所不同, 因而反演得到的叶绿素a 浓度也不同。因受降雨量的影响大及水体交换条件限制, 池塘养殖区的叶绿素a 浓度常年较高。

本研究对近岸海水养殖水体的水质状况监测具有一定的借鉴意义, 这种方法将在未来更高频率的海水养殖水体叶绿素浓度遥感监测中发挥更大的作用。但海水养殖水体监测研究仍存在需要深入解决的问题, 如水质污染监测过程存在卫星数据不完全同步的现象。同时, 广东省为多云多雨地区, 卫星影像质量较差, 如何降低影像质量对估算模型精度的影响, 也是往后需要进一步要探讨的。