基于环境小卫星CCD数据对太湖地区叶绿素a浓度的反演

史鹏辉　李云格　姜寒

摘 要：针对我国湖泊水体富营养化监测问题，以太湖为研究对象，使用了快速、低成本、大范围的遥感技术反演太湖水体中的叶绿素a含量。以环境小卫星CCD数据和实测数据为研究基础，使用波段比值法建立了5种叶绿素a浓度回归模型。结果表明：多项式反演模型具有最佳的拟合效果，其相关系数R=0.8845;对该反演模型进行合理性验证，并将其运用在太湖地区，最终反演了该水域的叶绿素a浓度。这表明波段比值法构建的多项式反演模型可以较为准确地反演出太湖地区的叶绿素a浓度值。

关键词：遥感;叶绿素a;反演模型;波段比值法;CCD

中图分类号 X832;TP79  文献标识码 A文章编号 1007-7731（2021）17-0030-04

The Inversion of Chlorophyll a Concentration in Taihu Lake Region Based on Environment Small Satellite CCD Data

SHI Penghui et al.

（College of Water Resources and Architectural Engineering，Northwest A&F University，Yangling 712100，China）

Abstract： Aiming at the problem of eutrophication monitoring of lake water in China， this paper takes Taihu Lake as an example and uses rapid， low-cost and wide-scale remote sensing technology to retrieve chlorophyll a content in Taihu Lake water body. On the basis of the CCD data and measured data of environmental small satellites， five regression models of chlorophyll a concentration were established by band ratio method. Among them， polynomial inversion model has the best fitting effect， and its correlation coefficient R=0.8845. After that， the rationality of the inversion model is verified and applied to Taihu Lake area， and the chlorophyll a concentration in this water area is finally retrieved. As a result， the polynomial inversion model constructed by band ratio method can accurately reverse the chlorophyll a concentration in Taihu Lake area.

Key words： Remote sensing; Chlorophyll-a; Inversion modelling; Wave band ratio method;CCD

由于人口的增长和工农业生产的发展，湖泊的富营养化问题日渐凸显。叶绿素a作为评估湖泊富营养化状况的主要物质，通过测定其在水体中的含量，可以了解湖泊的富营养化情况[1]。因此，对于水体污染监测而言，如何能够较为准确地获得水体叶绿素a浓度值显得至关重要。目前普遍使用的水质监测方法需要对水质采样并对其进行化学分析。这既耗费时间和精力，并且还受到天气条件和水利状况等方面的影响，因此监测精度难以保证。同时，由于采样点的选取具有一定的局限，检测结果很难反映出全区域的水质状况[2]，使得其无法满足较大面積水质监测的需要。遥感技术对地物监测速度快、成本低、范围广，在对水体水质监测方面具有独特的优势，因此可以运用遥感技术，通过叶绿素a含量和水体光谱反射率间的联系，反演水体的叶绿素a浓度。这对水体水质的高频次、大范围和实时监测具有重要的科学价值和现实意义。

在将遥感技术应用于叶绿素a浓度的监测等方面，国内外学者作了很多研究。朱冰川等[3]基于GOCI数据建立了太湖叶绿素a浓度的三波段反演模型，使用归一化植被覆盖指数（NDVI）对水体的蓝藻水华进行监测，并评估了水体的富营养化程度;张明慧等[4]利用MODIS时间序列影像数据，反演了福建海岸附近不同时期的叶绿素a含量，并对反演结果进行了分析;Teng Zhang等[5]比较了叶绿素a和多个波段反射率间的相关性，确定了叶绿素a的反演波段，并将其输入到支持向量机（SVM）模型中，建立了一个良好的评价模型;Ryan McEliece等[6]基于UAV多光谱影像，通过2个不同波段计算的反射比和指数估算叶绿素a浓度和浊度的可能性;董丹丹等[7]以巢湖为研究对象，通过拟合MODIS数据和实地监测数据，反演了水体叶绿素a信息;马兰等[8]以向海湿地水体为研究对象，利用Landsat-OLI数据，采用回归分析的方法，建立并筛选出了叶绿素a含量最佳反演模型。笔者以太湖为研究对象，利用环境小卫星CCD数据与水质实测资料，反演太湖水体中的叶绿素a浓度，以期为太湖富营养化问题的进一步治理、预警水华暴发以及水质监测提供科学依据。

1 材料与方法

1.1 研究区概况 太湖地处我国江苏省南部，跨江苏、浙江2省，位于无锡、湖州、宜兴与苏州之间（119°52′32″～120°36′10″E、30°55′40″～31°32′58″N），面积约为2300km2，是中国第三大淡水湖泊，入湖河流较多，湖区水深较浅[9]。其西及西南多为丘陵和山地，其东多平原、水网。近年来，随着沿岸人口的增长和产业的发展，湖泊所受污染增加，湖水的富营养化问题越来越严重[10]，经常发生绿色“水华”。

1.2 数据来源 作为中国首颗专门用于环境及灾害监测预报的小型卫星，环境小卫星上载有多光谱相机，具有宽覆盖、短周期、全天候等优点，能够提供多波段光学遥感信息，具有大范围、高光谱遥感能力。它能够监测出水体的细微变化，提高了反演精度，也可以对水体进行大范围、全天候、实时动态监测[11]。基于环境小卫星CCD数据，通过遥感技术对太湖区域叶绿素a浓度进行反演可以较大程度上提高水质监测的效率[12]，同时也满足大面积水质检测的需求。本研究以该卫星的CCD数据作为研究基础，所选用的数据来源于环保部卫星环境应用中心。由于湖泊中叶绿素a浓度会随季节发生变化，并且与其他季节相比，其在夏秋2季即6—11月间偏高，因此选择这一时间段内天气状况良好的数据作为数据源，其影像质量受其他因素影响较小。

1.3 数据预处理 在反演叶绿素a浓度之前，依据该卫星数据的特点以及叶绿素a含量反演的条件，要进行数据的预处理，以便之后构建反演模型。预处理的内容包括数据读取、辐射定标、几何校正、大气校正、太湖区域裁剪，具体操作流程见图2。

2 结果与分析

2.1 反演模型构建 当前使用遥感手段对水体叶绿素a浓度进行反演有很多模型，但总体上看主要有经验模型法、半经验模型法和分析模型法3种。若使用波段比值分析，则可以在一定程度上降低大气状况、水面反射以及水体中污染物质的干扰，能大大提高模型反演的精度。此外，选择多波段比值，能够增加吸收谷和反射峰间的差别，从而更好地获取叶绿素a浓度数据，因此采用经验模型中的波段比值法进行模型构建。对各个波段进行组合，以期筛选出进行叶绿素a浓度反演的最佳波段比值。通过比较发现，大部分的波段组合与叶绿素a浓度值的相关性不是很理想，但与第3、4波段的比值有较好的相关性，故选择第3、4波段进行组合，得到对应点的反射率因子R4/R3。结合实测数据，随机选取25个采样点用于模型构建，并建立采样点与叶绿素a浓度实测值间一对一关系。实测数据包含采样点的经度、纬度以及该点处的叶绿素a浓度（表1）。

将R4/R3作为模型的自变量，模型的因变量为实测的叶绿素a浓度，分别对两者建立线性、指数、对数、多项式、幂5种回归模型。作散点图进行回归分析，得到各个模型反射率因子与其相对应的叶绿素a浓度之间的回归模型（图3）。

比较5种回归模型可知，多项式回归模型的R2系数最大，其叶绿素a的浓度与反射率因子R4/R3之间的相关系数R=0.8845（表2）。同时，由图3可知，在多项式回归模型中，数据点在线两侧分布较均匀，表明该反演模型与叶绿素a浓度实测值的相关性较好。因此，多项式回归模型的拟合效果最好，选其作为太湖叶绿素a浓度的反演模型，建立的反演模型为：

[Cchl-a=-0.0185x2+0.0737x+0.005] （1）

式中，[Cchl-a]为叶绿素a的浓度值，[x]为波段4、3的比值，即R4/R3。

2.2 反演模型验证 为验证波段比值法多项式模型的反演精度，随机挑选10个样点，通过叶绿素a浓度的预测值和实测值的对比，对该模型进行验证。由表3可知，此次反演结果的相对误差最小为1.11%，最大为17.93%，平均相对误差为6.35%。由图4可知，预测值和实际值的走势基本一致（为便于观察，样点由1至10，实测值按由小到大排列），未出现太大偏差。

反演结果验证表明：经验模型波段比值法反演得到的太湖水体叶绿素a浓度值与对应的实测值大体一致，相对误差较小，均未超过20%，反演的误差未超过允许范围，估算结果较为准确，可以满足当前叶绿素a浓度反演的精度要求。根据所建立的模型，对整个太湖区域进行叶绿素a浓度的反演，反演结果如图5所示。

3 结论

在分析国内外学者对叶绿素a浓度遥感监测已有研究的基础上，以江苏省太湖地区作为研究对象，基于环境小卫星CCD数据和野外实测数据，采用经验模型波段比值法共建立了5种反演模型。通过比较，其中多项式回归模型的相关系数最大，为0.8845，因此选其作为太湖叶绿素a浓度反演的最终模型，并对其进行了验证。结果表明，建立的多项式模型有较好的准确度，并利用该模型反演出了太湖地区的叶绿素a浓度。

作者简介：史鹏辉（1999—），男，河南三门峡人，在读本科，研究方向：水文与水资源。  收稿日期：2021-07-01

参考文献

[1]Gitelson A A，Schalles J F，Hladik C M.Remote chlorophyll-a retrieval in turbid， productive estuaries： Chesapeake Bay case study[J]. Remote Sensing of Environment， 2015， 109（4）：464-472.

[2]胡耀躲，窦同宇，杨波.基于GOCI影像反演湖泊悬浮物和叶绿素a含量的研究述评[J].水资源与水工程学报，2017，28（02）：26-32，39.

[3]朱冰川，尤凱，石浚哲，等.基于GOCI数据的太湖叶绿素a浓度反演和蓝藻水华遥感监测[J].环境污染与防治，2020，42（08）：1021-1025，1032.

[4]张明慧，苏华，季博文.MODIS时序影像的福建近岸叶绿素a浓度反演[J].环境科学学报，2018，38（12）：4831-4839.

[5]Zhang T . Estimation of Chlorophyll-a Concentration of Lakes Based on SVM Algorithm and Landsat 8 OLI Images[J]. Environmental Science and Pollution Research， 2020， 27（3）：14977-14990.

[6]Mc Eliece R，Hinz S，Guarini J M， et al. Evaluation of Nearshore and Offshore Water Quality Assessment Using UAV Multispectral Imagery[J]. Remote Sensing， 2020， 12（14）：2258.

[7]董丹丹，孙金彦，张曦.应用MODIS数据监测湖泊叶绿素a空间分布[J].安徽农学通报，2020，26（24）：150-151.

[8]马兰，刘吉平.基于Landsat-OLI影像数据的向海湿地水体叶绿素a反演模型研究[J].现代农村科技，2019（06）：60-62.

[9]陈瑜，李继影，高昕，等.太湖东部水域浮游硅藻群落特征及其与环境因子关系[J].环境监控与预警，2021，13（02）：44-50.

[10]王根深，王得玉.基于MERIS遥感图像的太湖叶绿素浓度反演[J].安徽农业科学，2017，45（30）：71-74.

[11]戴芳筠，聂运菊.基于HJ1B-CCD1的太湖叶绿素a含量反演[J].湖北民族学院学报（自然科学版），2017，35（04）：383-386.

[12]王伟轩，吉长东.基于环境小卫星数据反演太湖叶绿素含量[J].测绘与空间地理信息，2018，41（04）：192-195.

（责编：徐世红）