南海北部叶绿素a浓度遥感反演算法评估与COCTS反演算法构建

李芝凤，韩 冰，贾 迪，朱建华

（国家海洋技术中心，天津 300112）

叶绿素a是浮游植物生物体的重要组分之一，对海洋初级生产力的估算、海洋赤潮预警监测及海洋—大气碳循环的研究具有重要意义[1]。卫星遥感技术可以快速、有效地监测叶绿素a在空间和时间上的变化状况，具有监测范围广、时效性高、周期性强等特点，已成为在全球尺度连续监测叶绿素a浓度的重要方法[2]。国内外学者将经典的数学、物理方法与遥感实践相结合，建立了多种定量估算水体中叶绿素a浓度的遥感反演算法，主要分为经验方法、半经验方法和分析方法三类。其中，经验算法利用叶绿素a浓度和遥感参数之间的统计关系进行运算，应用最为广泛。在20世纪70年代，国外学者首先提出了运用最大吸收波长和最小吸收波长处的水体辐射比值估算海洋表层叶绿素a含量，为叶绿素a浓度反演奠定了基础。自1978年海岸带彩色扫描仪（Coastal Zone Color Scanner，CZCS）运行以来，海洋水色遥感技术和反演算法迅速发展，以“波段比值”为基础的经验算法得到广泛应用，如针对SeaWiFS数据开发的OC2、OC3和OC4算法，针对CZCS数据开发的OC3C算法，针对MODIS数据开发的OC3M、OC4M算法等。我国学者利用经验算法对区域叶绿素a浓度进行反演，对估算结果进行方法的验证和评估，根据评估结果，建立了多种适用性较强的区域海水[3-7]及内陆水体[8-9]的叶绿素a浓度反演模型，大大提高了区域水体叶绿素a浓度的反演精度。

受复杂的物理环境场、生物地球化学作用等综合影响，南海海域叶绿素a浓度分布具有复杂、多时空尺度的变化特征，是区域海洋学研究的热点之一[10]。PAN Y L等[11]利用SeaWiFS的OC2、OC4和MODIS的OC3M算法对南海北部的叶绿素a浓度进行了评价，并对算法进行了优化，初步建立了南海北部夏季叶绿素a浓度反演算法。许大志等[12]利用南海秋季遥感反射率和叶绿素a的现场观测数据，分析了用于全球叶绿素a浓度反演的OC2和OC4算法在南海北部海区的适用性，利用现场数据建立了两套适用性较强的本地化算法，并对研究海区叶绿素a浓度进行反演，反演结果与实测数据具有很好的相关性。曾银东等[13]利用OC2v4、OC4v4和OCTSC这3种标准算法对珠江口南海东北部海区的叶绿素a浓度进行反演，并分析了叶绿素a从近岸向远岸降低的空间分布特征。赵文静等[14]利用2004—2012年在南海获得的实测叶绿素a浓度和遥感反射率数据，建立了以OC3算法为基础的适用于南海海域的新算法，反演精度从56%提高到38%。目前，针对南海海域叶绿素a浓度的区域性反演算法研究较多，但基本都是基于国外卫星数据，在敏感波段选择上也都延续了国外卫星的现有波段，而针对我国自主海洋水色卫星（HY-1C、HY-1D）搭载的海洋水色水温扫描仪（Chinese Ocean Color Temperature Scanner，COCTS）波段设置的反演算法未见报道。因此，结合COCTS的光谱波段进行叶绿素a浓度反演算法的研究，将为我国海洋水色卫星遥感数据的定量化应用提供算法支撑。

本文利用2020年7—8月在南海北部获取的现场实测叶绿素a浓度和同步遥感反射率数据，评估了3种叶绿素a标准算法（OC2v4、OC3M和OC4v4）及3种南海区域算法（OC4v4_TP、OC2_X、INOC3）在该区域的反演精度和适用性；针对我国自主HY-1C、HY-1D卫星搭载COCTS的波段设置，建立了新的叶绿素a浓度反演算法，并对新算法进行了验证。

1 研究区域与数据获取

1.1 研究区域

2018年9—10月和2020年7—8月期间，国家海洋技术中心和国家卫星海洋应用中心的科研团队在中国东海和南海开展现场测量，获取了包括表层叶绿素a浓度和遥感反射率在内的现场实测数据。本文选取两个航次南海北部海域的数据作为研究对象，NH2020航次的数据用于已有算法评估和新算法构建，NH2018航次的数据则用于新算法反演精度的验证。

1.2 数据获取

1.2.1 遥感反射率

水体遥感反射率测量使用美国ASD（Analytical Spectral Devices）公司的FieldSpec 3型光谱仪，光谱范围为350～2 500 nm，现场测量和数据处理依据NASA SeaWiFS海洋光学规范进行。图1给出了两次试验获取的遥感反射率光谱。试验期间，每个站位开展至少3次连续独立测量，412 nm、443 nm、490 nm、520 nm、565 nm等几个典型波段的相对标准偏差（Relative Standard Deviation，RSD）结果如表1所示，两个航次典型波段的遥感反射率平行样RSD小于10%的数据比例均大于90%。

表1 典型波段遥感反射率结果

图1 遥感反射率光谱

1.2.2 叶绿素a浓度

叶绿素a浓度采用实验室荧光法进行分析。采水器采集表层海水，样品经孔径为0.7μm的Whatman GF/F滤膜过滤、90%丙酮萃取24 h，利用Turner-Design_10型荧光光度计分析叶绿素a浓度。表2给出了两个航次的叶绿素a浓度结果，图2给出了叶绿素a浓度的直方图，两个航次对30%的站位进行平行样分析，RSD均小于4%。

表2 叶绿素a浓度结果

图2 叶绿素a浓度数据统计

2 研究方法

本文选用6种基于波段比值的反演算法，对南海北部海域叶绿素a浓度进行了反演和评估，包括3种叶绿素a标准算法（OC2v4、OC3M和OC4v4）和3种南海区域算法（OC4v4_TP、OC2_X、INOC3），各算法的表达式、适用区域及叶绿素a浓度范围等如表3所示。算法评估时，利用现场实测的遥感反射率和叶绿素a浓度数据，计算得到反演的叶绿素a浓度（Chlamod），将其与现场实测的叶绿素a浓度（Chlamea）进行比较，给出各算法的精度。精度评估使用的统计指标包括平均绝对误差（Mean Absoulute Error，MAE）、平均相对误差（Mean Relative Error，MRE）和决定系数（R2），计算公式如下。

表3 已有叶绿素a浓度遥感反演算法

式中，Chlamea为叶绿素a浓度实测值；Chlamod为叶绿素a浓度反演值；N为数据量。决定系数反映Chlamea与Chlamod之间的线性关系，用R2表示。

算法构建时，根据我国自主HY-1C、HY-1D卫星搭载的COCTS的波段设置，利用现场数据将叶绿素a浓度和遥感反射率比值进行线性回归，建立新的两波段、三波段、四波段和五波段反演算法。

3 数据结果分析

3.1 已有算法精度评估

表4为已有叶绿素a浓度遥感反演算法精度结果，分别列出了6种算法的R2、MAE和MRE。图3给出了6种已有算法的叶绿素a浓度反演值与实测值的对比散点图，图3（a）和图3（b）分别为标准算法和区域算法的反演值与现场实测值的对比图，不同的颜色代表不同的算法，虚线为1∶1对比线。由此可知，3种标准算法的反演值比较均匀地落在1∶1线两侧，比较真实地反映了实测浓度，反演值与实测值的相关性也较高，OC2v4、OC3M和OC4v4算法的R2分别为0.84、0.80、0.87，从叶绿素a浓度反演值与实测值之间的MAE来看，3种标准算法均小于0.15μg/L，OC4v4算法最小，MAE为0.13μg/L；就MRE而言，3种标准算法的MRE均小于30%；在3种区域算法中，OC2_X算法在叶绿素a浓度较低时（低于0.1μg/L），部分站位出现了明显的高估，而在叶绿素a浓度较高时又出现了明显的低估，MAE为0.37μg/L，MRE为72.32%，相对误差最高达575%；OC4v4_TP算法反演结果与实测值相关性较差，R2仅为0.58，除NH12站位出现了明显高估外，其他95%以上的站位均出现了低估；INOC3算法R2为0.74，MAE为0.16μg/L，MRE为28.13%，在3种区域算法中反演精度最高。

图3 叶绿素a浓度反演值与实测值的对比散点图

表4 已有叶绿素a浓度遥感反演算法评估结果

综合以上分析，对于本文研究的南海北部海域，基于标准算法的反演精度明显优于其他3种区域算法，而在3种标准算法中，OC4v4算法反演精度最高。

3.2 反演算法构建

据本文3.1节对已有叶绿素a浓度反演算法的评估结果，虽然得到了适用性较强的反演算法，但是由于南海北部海域水体受到陆源输入、台风等复杂过程的影响，水体生物光学特性较为复杂，另一方面，OC4v4算法针对的是全球海域，叶绿素a浓度范围为0.008～90μg/L，与本文叶绿素a浓度范围相差较大，因此，应用现场实测数据重新构建适用性更强的反演算法十分有必要。

对于叶绿素a浓度经验算法而言，反演算法的优劣很大程度上取决于能否正确选择有效反映叶绿素a浓度变化的指示因子，而该指示因子对于水色遥感而言就是不同波段遥感反射率的组合。COCTS水色遥感器的波段设置为412 nm、443 nm、490 nm、520 nm、565 nm、670 nm、750 nm和865 nm，根据波段比值算法的原理，选择绿光波段565 nm为参考波段，分析了遥感反射率比值对叶绿素a浓度变化的响应规律，如图4所示。可以看出，随着波长的增加，Rrsλ/Rrs565的动态变化范围逐渐减小，结合波段比值与叶绿素a浓度的相关性，选择不同的波段比值建立适用于南海北部海域的叶绿素a浓度算法模型，各算法计算公式和波段比值如表5所示。

表5 新建南海北部叶绿素a浓度算法

图4 遥感反射率比值与实测叶绿素a浓度的相关性

3.3 算法验证

利用NH2018航次现场实测的叶绿素a浓度和遥感反射率数据，对新构建的OC2_C、OC3_C、OC4_C和OC5_C算法的模型精度进行了验证，结果如表6所示。4种新算法中，OC5_C算法反演结果与实测值的相关性最高，R2为0.86，MAE为0.08μg/L，MRE为21.36%，是几种算法中误差最小的。表中OC4v4*是利用标准算法OC4v4（波段比值和计算公式见表3）的反演结果，反演值与实测 值的R2为0.61，MAE为0.11μg/L，MRE为29.12%。图5为应用OC5_C和OC4v4*两种算法反演NH2018航次叶绿素a浓度与实测值的对比散点图可以看出，OC5_C算法反演精度明显优于OC4v4算法反演精度，进一步验证了该算法在南海北部海域的适用性。

表6 模型精度验证结果

图5 OC5_C和OC4v4*算法反演NH2018航次叶绿素a浓度与实测值的对比散点图

4 结 论

本文选用6种算法对我国南海北部海域叶绿素a浓度进行反演精度评估与适用性评价，结合我国自主业务化COCTS波段设置，构建了基于五波段的叶绿素a浓度反演算法，为我国自主业务化海洋水色卫星遥感数据的定量化应用提供算法支撑，得出以下主要研究结论。

（1）本文选用3种标准算法和3种南海区域算法对NH2020航次的叶绿素a浓度进行反演，对各算法反演精度进行评估。结果表明，OC2v4、OC3M和OC4v4这3种标准算法的反演误差较小，对本研究区域的适用性较好，平均相对误差均小于30%。

（2）以HY-1C和HY-1D卫星光谱波段为基础，进行南海北部海域叶绿素a浓度反演的算法模型研究，建立了两波段、三波段、四波段和五波段的叶绿素a浓度遥感反演算法（OC2_C、OC3_C、OC4_C和OC5_C）；利用NH2018航次实测叶绿素a浓度和遥感反射率数据，对4种新构建的算法进行了精度验证，并与标准算法的反演结果进行了比较。结果表明，OC5_C算法反演精度最高，平均绝对误差为0.08μg/L，平均相对误差为21.36%，进一步验证了该算法在南海北部海域的适用性。

（3）采用现场实测数据进行叶绿素a浓度反演算法开发和验证，结果比较准确可靠，但是考虑到该算法与卫星数据的结合与应用，本文将遥感反射率在实测数据基础上增加随机误差，再进行数据拟合与算法验证。其中，蓝光波段遥感反射率分别加±10%、±15%和±20%的随机误差，绿光波段遥感反射率分别加±5%和±10%的随机误差。算法验证结果显示，与不加随机误差（表6）相比，蓝光波段加±10%、绿光波段加±5%随机误差时，OC2_C、OC3_C、OC4_C和OC5_C这4种算法的MAE平均增加了0.007 5μg/L，MRE平均增加了2.55%；蓝光波段加±10%、绿光波段加±10%随机误差时，4种算法的MAE平均增加了0.012μg/L，MRE平均增加了3.59%；蓝光波段加±15%、绿光波段加±5%随机误差时，4种算法的MAE平均增加了0.01μg/L，MRE平均增加了3.64%。考虑到不同月份太阳天顶角的差异对遥感反射率的影响，对算法进行了重新构建与验证，结果表明，太阳天顶角的差异不会对算法结果造成影响。就MAE而言，OC3_C和OC4_C算法没有变化，OC2_C增加了0.02μg/L，OC5_C增加了0.03μg/L；4种算法的MRE平均增加了1.73%。南海北部水体环境复杂，若要进一步提高叶绿素a浓度的反演精度，需同时考虑浮游植物与泥沙、悬浮颗粒和有色可溶有机物之间的复杂的交互作用，以及对光学特性的贡献和影响，可在后续的研究中加以完善。