基于GOCI影像的巢湖叶绿素a质量浓度变化分析*

郜薇薇，薛 坤，马晨晨，吕海滨

(1.江苏海洋大学 海洋技术与测绘学院，江苏 连云港 222005；2.连云港市气象局，江苏 连云港 222000；3.中国科学院南京地理与湖泊研究所 湖泊与环境国家重点实验室，江苏 南京 210008)

0 引言

湖泊中叶绿素质量浓度的监测是了解水质状况、富营养化程度、水体中营养盐分布及其动态分布特征的有效方法。叶绿素a在水生藻类中所占的比例较为稳定，因此通过有效方法来监测水体中叶绿素a含量十分必要。遥感技术作为现代社会新兴的一门科学技术，凭借其及时、宏观等优点在湖泊水质实时监测中得到广泛应用[1]。

目前从遥感影像中提取叶绿素a质量浓度主要根据叶绿素a质量浓度相关性较高的光谱波段建立合适的估算算法。估算算法的选择对反演结果的精度起着决定性作用。现有的估算算法主要分为3类：基于经验的、基于分析的以及基于半分析的方法。经验方法是通过建立遥感数据与地面监测水质参数之间的统计关系来实现对水体叶绿素a质量浓度的遥感定量反演。Östlund等[2]建立了小型机载光谱成像仪数据与悬浮物质量浓度之间的线性相关模型；Huang等[3]基于GOCI数据利用标准经验算法对太湖进行了叶绿素a质量浓度遥感反演，结果均能反映叶绿素a的空间分布特征。经验算法对水体物理参数的要求较低，将水色参数简单处理后建立与水色参数的经验关系即可完成算法的构建，操作简单，但是精度一般，由于缺乏机制研究及模型的区域性和季节性较强，很难得到较为统一的反演模型，所以该方法缺乏物理依据[4]。分析方法是利用生物光学模型模拟得到水体中各组分吸收系数和后向散射系数与遥感反射率之间的关系，运用辐射传输模型模拟光在大气和水体中的吸收和散射过程，从而得到叶绿素a的质量浓度。此方法的机制较为明确，但实现起来较为复杂，目前湖泊研究中此模型应用比较少[5]。半分析模型是将已知的水质参数光谱特征与统计模型相结合，建立遥感数据的最佳波段或波段组合与叶绿素a质量浓度之间的定量关系，从而估算叶绿素a质量浓度，这种算法具有一定的物理意义[6]。随着光学仪器的发展及GOCI数据的投入使用，基于半分析半经验算法的GOCI数据遥感反演得到了广泛应用。Kim等[7]对GOCI数据的叶绿素反演方法进行了研究，发现对于光复杂的水域使用半分析方法的生物光学模型进行叶绿素反演有较高的精度，并且可以同时估算叶绿素、悬浮颗粒物以及有色可溶性有机物(CDOM)含量。包颖等[8]及施坤等[9]分别利用GOCI数据对太湖研究区的叶绿素a质量浓度进行了基于半分析方法的分类建模反演，结果显示分类建模后的反演精度都得到了提高。杨煜等[10]利用环境一号数据对巢湖叶绿素a质量浓度进行了三波段反演，平均误差低至0.21 mg/m3，但其仅使用一天的数据进行反演，样本数据较少不能保证其长期监测，环境一号时间分辨率较低也难以用于水质日变化监测。综合上述分析，相比分析算法和经验算法，半经验半分析算法是一个折中的算法。其运算复杂度比分析算法简单，精度比经验算法高，对不同水域的普遍适用性较好，稳定性强。在实测光谱精度较高的情况下，基于半分析方法的GOCI数据水质参数遥感反演可以得到更稳定的结果，而基于半分析方法的GOCI数据分类建模反演得到的结果误差更小[11](见表1)。

表1 叶绿素a质量浓度遥感估算算法构建及其应用

巢湖水体作为重要的饮用水源地，藻华频繁暴发，对叶绿素a质量浓度进行定量监测势在必行。GOCI是韩国发射的地球同步轨道海洋水色卫星上所搭载的传感器，具有高时空分辨率的特点。基于GOCI数据建立叶绿素a质量浓度估算算法，能够对巢湖水质进行每日监测，这具有重要的研究意义和应用价值。和以往研究方法相比，二波段半经验半分析方法可以作为GOCI影像对较浑浊湖泊水体进行监测，该方法具有较高的反演精度和普适性。因此本文利用只经过瑞利校正的 Rrc(Rayleigh-corrected reflectance)GOCI数据，基于实测巢湖水体的光谱特征，分析二波段模型反演水体叶绿素a质量浓度的最优波段，构建一种基于巢湖水质参数光谱特征的实时反演模型，以实现对巢湖水体的日动态变化监测。此前有关巢湖水质监测的研究多以季节变化为主，但基于内陆湖泊水体的调查发现湖泊叶绿素a质量浓度在每日不同时刻存在动态变化。本文以GOCI影像为遥感数据源可以实现对巢湖水体日变化监测。

1 数据与方法

1.1 研究区概况

巢湖，中国第5大淡水湖泊，位于长江中下游安徽省境内，是流域内拥有100多万人口的合肥和巢湖市的主要饮用水源地，在当地人民生产生活中发挥着重要的作用[13]。巢湖水域面积约769.55 km2，平均水深2.29 m，多年平均水位8.37 m，蓄水量20.7×108m3。随着城市化进程的推进，湖泊资源受到了超强度的开发和利用，特别是上游合肥市经济快速发展，大量点源、面源污染进入水体[14]，导致巢湖水质污染严重。

1.2 实测数据采集与处理

(1)水样采集。2017年2—12月期间，在巢湖分别进行4次野外实验，具体日期和样点分布如图1所示。每个样点采集表层水样用于化学分析，同时测量透明度和光谱，并利用GPS记录采样位置和采样时间等辅助数据[15]。

图1 巢湖采样点分布

(2)水质参数分析。利用47 mm的Whatman GF/C玻璃纤维过滤膜，对水体过滤后避光保存于冻存管中，使用磷酸盐(PBS)缓冲液，于液氮罐中反复冻融3次，在-4 ℃条件下避光提取 15 h，得到叶绿素a质量浓度[16]。悬浮物采用称质量法测定，用0.7 μm的Whatman GF/F滤膜过滤水样后，烘箱105 ℃条件下烘4～6 h后称质量,并减去膜质量，得到总悬浮物(SPM)质量浓度[17]。

(3)光谱测量。首先利用光谱仪垂直对准灰板测量，距离10 cm；其次对准水面测量，与水面夹角成45°，且与太阳的夹角在90°至135°之间；然后将光谱仪旋转180°，对准天空测量；最后再一次测量一下灰板。整个采集过程中每个点采集5次，导出数据后计算并取平均值，即可获得各采样点的光谱反射曲线。

1.3 GOCI影像数据获取

通过韩国海洋卫星中心KOSC(Korea Ocean Satellite Center)获取2013—2020年的GOCI 1B卫星影像数据，然后进行辐射定标得到 L1B 数据。利用SeaDAS软件去除气体吸收(臭氧吸收)和瑞利散射(分子效应)的影响，从而得到瑞利校正后的反射率数据。根据实测采样点的经纬度位置信息，提取实测采样点对应的Rrc数据，每个Rrc数据均通过3×3窗口检验，以减少杂散光的影响并保证空间同质性[18]。

2 模型建立与验证

2.1 基于实测采样数据的巢湖水体光学特性分析

以巢湖2017年8月22日采样结果为例，采样点分布如图1所示。去掉受外部影响导致反射率过于饱和的24号点，使用25个点位数据进行模型构建。实验数据显示叶绿素a质量浓度最高值出现在25号采样点，达194.46 mg/m3，如图2所示。25个采样点的叶绿素a质量浓度均值为62.5 mg/m3，样本区间为25.99～194.46 mg/m3。悬浮物质量浓度的样本区间为29.33～93.33 mg/L，平均值为51.54 mg/L，如图3所示。

图2 20170822各点位叶绿素a质量浓度

图3 20170822各点位悬浮物质量浓度

由于巢湖的悬浮物质量浓度与叶绿素a质量浓度都处于较高水平，所以巢湖水体属于较浑浊的富营养化二类水体。

因光谱反射率受天气和时间影响较大，所以先对其进行去噪和积分归一化预处理，以便更好地展示其变化趋势。叶绿素含量增加可使水体的反射光谱发生变化[19]，如图4所示。在412～490 nm，由于叶绿素a在蓝紫光波段的吸收及黄色物质在该范围的强烈吸收，水体反射率逐渐降低；在490～555 nm，由于藻类叶绿素和胡萝卜素弱吸收和细胞散射作用形成反射峰，峰值在555 nm附近，可作为叶绿素定量标志；在555～680 nm，由于藻蓝素藻青蛋白的吸收，反射率降低；在660 nm处，由于叶绿素对红光波段强烈吸收出现较低的反射率；680 nm附近反射峰十分明显，由于680 nm处含藻类水体最显著的光谱特征，在水体反射光谱曲线上，其存在与否被作为判定水体是否含有藻类叶绿素的依据，此时水和叶绿素a在该处的吸收系数达到最小。

图4 校正后巢湖光谱数据

2.2 模型构建与验证

首先，利用水面实测光谱以波段均值法模拟GOCI传感器波段光谱。GOCI波段 2，4，6，7，8 的波宽分别为433～453，545～565，675～685，735～755，845～885 nm。针对各波段设置，由于GOCI的波段设置较少，无法应用三波段模型及四波段对叶绿素a的质量浓度进行反演，因此选择波段比值建立反演模型。将一系列波段带入后发现，在680 nm和745 nm两个波段处效果最好，且最适合富营养化的二类水体，因此选取GOCI影像中680 nm与745 nm波段建立线性回归半分析模型。估算公式为

(1)

本文使用SeaDAS 7.2中内置查找表(look up tables,LUTs)对影像进行部分大气校正(气体吸收校正和瑞利校正)，获得Rrc为影像进行大气校正和瑞利校正后的反射率。计算公式为

Rrc(λ)=ρt(λ)-ρr(λ)=ρa(λ)+πt(λ)t0(λ)Rrs(λ)。

(2)

式中：λ表示GOCI对应波段的波长，ρt为气体吸收的大气层顶反射率，ρr为瑞利校正后的反射率，ρa为气溶胶的反射率，t和t0分别为从地面到传感器和太阳到地面方向的漫反射透过率。其中ρa，t，t0是气溶胶类型、气溶胶光学厚度和太阳角度、观测角度的函数；ρt，ρr，ρa等反射率数据由GOCI影像DN值数据进行辐射定标处理后获得，忽略白帽效应和太阳耀斑的影响[20]。

用2017年8月22日52个样本数据对所建立的模型进行验证，得出反演效果。由图5可以看出，能够较好地估测小于60 mg/m3的叶绿素a质量浓度，但对大于60 mg/m3的叶绿素a质量浓度存在普遍的低估现象。

图5 叶绿素a质量浓度反演效果

使用统计方法检验该模型反演精确的程度。主要采用统计标准中的均方根误差(RMSE)，公式为

(3)

式中：cchl-a为反演叶绿素a质量浓度数值，achl-a为实测叶绿素a质量浓度数值。通过计算模型反演的最大误差为0.58 mg/m3，最小误差为0.04 mg/m3，平均误差为0.22 mg/m3，在叶绿素a质量浓度计算中误差平均值为21.65 mg/m3，低于巢湖叶绿素a质量浓度平均值，可以作为巢湖叶绿素a质量浓度的计算。

3 结果与讨论

3.1 巢湖叶绿素a质量浓度日变化分析

根据2011年12月11日GOCI影像反演出巢湖叶绿素a质量浓度的空间分布(如图6所示)，可以看出，从上午8时25分至下午3时25分，巢湖叶绿素a质量浓度的空间分布变化最为显著。具体表现为：上午8时至10时，叶绿素a质量浓度较低，基本小于50 mg/m3，高值主要存在于巢湖东南部沿岸；从10时至下午1时，叶绿素a质量浓度整体显著升高，均值达到90 mg/m3；巢湖南部于中午12时左右出现叶绿素暴发，最高值达325 mg/m3。在下午1时至3时，叶绿素a质量浓度逐渐降低，均值下降至100 mg/m3，高值区域由南部逐渐转移至巢湖中部及东南部沿岸。结合对巢湖水体的采样分析，巢湖藻类易受水温及光照影响，叶绿素质量浓度均值的变化与当日光照强度变化基本相符。由于秋冬季节巢湖地区降水量下降，污染物向东部地区迁移，导致叶绿素质量浓度最高值集中于东部。

图6 2011年12月11日巢湖叶绿素a质量浓度分布

3.2 巢湖叶绿素a质量浓度季节变化分析

选取2019年不同季节遥感影像与叶绿素a质量浓度反演结果进行对比分析，从而验证该模型在不同季节的适用情况。分别选取2019年5月1日、7月14日、10月3日和12月28日的实测水体处理获得的叶绿素质量浓度数据,在ArcGIS软件中根据叶绿素质量浓度进行分级制图，与当日8点25分的GOCI影像反演得到的叶绿素a质量浓度空间分布图进行对比，如图7所示。可以看出该反演模型可以适用于不同季节的巢湖水质监测，与当天实地采集数据基本相符。

图7 不同季节叶绿素a质量浓度反演

选用2013年至2019年GOCI影像反演叶绿素a质量浓度估算结果，在同一坐标下进行叠加，按照月份求平均值，结果如图8所示。由于巢湖气溶胶较高，多幅影像平均后边界效应叠加，导致湖岸高值明显。在气溶胶相对较薄的条件下，叶绿素空间分布仍保持一致性；但在气溶胶相对较厚的条件下，估算结果明显受到边界效应影响。气溶胶较厚的条件下，红、绿、蓝光波段波动不大，近红外波段数值波动非常大，在湖区边界向中心的方向上由高到低变化，水陆边界效应的影响更加显著，从而影响了叶绿素的空间分布[18]。从图中可以看出，巢湖叶绿素a质量浓度呈现明显的季节性变化，在5月至11月整体叶绿素a质量浓度较高，均值在100～200 mg/m3。12月至次年4月叶绿素a质量浓度较低，均值在100 mg/m3以下，高值主要分布在巢湖西湖区。巢湖叶绿素质量浓度月变化主要受气温影响较大，4月份温度不断上升，从4月开始悬浮物快速生长，藻类进入暴发期，5月至8月迎来暴发。10月开始气温降低，但悬浮物数量仍居高不下，叶绿素a质量浓度均值达到最大值245 mg/m3。到11月份开始降低，12月份达到最低值35 mg/m3。由于近年来全球变暖效应，巢湖地区高温时间增长，导致近10年巢湖月均叶绿素a质量浓度高值月份较往年多。

图8 2013—2019年巢湖叶绿素a质量浓度月均时空分布

4 结论

本文利用GOCI数据建立半分析模型，用以监测巢湖水质的日变化。将巢湖水质监测的时间分辨率提高至1 h，以GOCI卫星中对叶绿素a质量浓度较为敏感波段进行建模分析，对比不同算法对于叶绿素a质量浓度的计算精度，将误差维持在0.22 mg/m3左右。反演结果显示：在一天中，上午8时至10时，叶绿素a质量浓度整体较低，均值在100 mg/m3以下；上午10时至下午1时叶绿素a质量浓度逐渐升高，中午12时左右出现最大值；下午1时至3时叶绿素a质量浓度下降。在不同季节，春季到夏季叶绿素a质量浓度不断升高，均值在100～200 mg/m3，秋季达到最大值，冬季随气温不断降低，藻类进入休眠期，叶绿素a质量浓度也会下降。该反演模型可以用于不同季节观测巢湖叶绿素a质量浓度空间分布，对于巢湖水质动态监测具有重要意义。