基于Landsat 8 数据的沙湖叶绿素a 反演研究

项雅波，张春萍*，武治国，付崇德

（1. 武汉工程大学 光电信息与能源工程学院，湖北武汉430205；2. 武汉新烽光电股份有限公司，湖北 武汉430074）

0 引言

武汉沙湖历史悠久，明洪武年间，沙湖面积近万亩，在100 多年前，东湖属沙湖水系，并与长江相连。1900 年，修建粤汉铁路时将沙湖一分为二，分别为“沙湖”（又称“外沙湖”）和“内沙湖”，近几十年来由于城市建设的快速发展，用地需求剧增，填湖造地建造了鳞次栉比的各类建筑，不仅使得沙湖水面大范围缩小，排放的城市垃圾和生活污水还严重影响了沙湖水质。2006年，根据武汉市有关部门的环境状况公报显示，沙湖污染严重，已成为非人体接触的劣五类水质。湖泊水质恶化的直接表现是藻类物质大量繁殖，沙湖蓝绿藻频繁爆发，原本清澈见底的湖水，布满了水华，导致水体溶解氧浓度降低，鱼类因缺氧死亡，过去常见的多种珍稀鸟类也一去不复返，沙湖的水生态平衡遭到严重破坏，作为武汉市内环线唯一的湖泊，其旅游价值和生态价值都在逐渐丧失。最近几年，随着武汉市对生态环境建设的重视，沙湖水质污染和治理的问题也被提上日程，本项目在此背景下展开。

沙湖地处武汉市中央文化区，周边分布着学校、住宅、办公楼、商业中心等众多建筑物，居住密度高，人流量较大，复杂的环境使得对沙湖水质进行实时监测比较困难。现阶段对内陆湖泊水质监测主要采用定点采样的理化分析测量方法，而对大面积的水域，采用该方法耗时、费力且成本较高。马荣华等[1]认为随着卫星遥感技术的不断发展，模型的构建和水质参数光谱特征研究的不断深入，遥感技术被从海洋水体逐渐应用到内陆水体中，可监测的水质参数种类逐渐增多，其反演精度也逐步提高；吕恒等[2]指出了影响内陆湖泊水质遥感监测精度的关键因素，提出了内陆湖泊水质遥感监测研究的重点和方向。目前，遥感水质监测方法从物理方法、经验方法已经发展到至今的半经验方法[3，4]。虽然遥感水质监测的预测精度在不断提高，但尚未形成较好的通用性模型和算法[5]，因此目前仍然需要依赖大量的地面监测数据来进行校准和补充。鉴于叶绿素a 是浮游植物生物体的重要组成成分，可以较好地反映水中浮游生物的分布和水体富营养化程度，因此成为反映内陆湖泊水质状况的重要参数[6，7]，同时也是遥感监测可用的重要参数之一。本文基于Landsat 8 卫星影像数据，同时结合地面采样点的水质检测结果，选择相关性大的波段建立回归模型，对叶绿素a 浓度进行反演，并对模型进行验证，探索沙湖区域叶绿素a 浓度的空间分布特征，可以全面、实时、快捷、动态地获得沙湖的水质信息，为沙湖水环境质量评估与水资源可持续利用提供一定的参考。

1 研究区域与研究方法

1.1 研究区域

武汉沙湖位于湖北省武汉市武昌区北部，与东湖、沙湖和杨春湖组成东沙湖水系，总面积约3.197 km2。地处亚热带季风区，具有典型的温带大陆性气候特征，多年平均气温16.8℃，气温最高月份7 月平均气温为28.9℃，气温最低月份1 月平均气温为3.8℃。

1.2 数据来源

1.2.1 地面实测数据。根据采样点布设原则以及卫星过境的同步要求，分别于2020 年4 月27 日、6 月4日、8 月18 日、10 月24 日分批对研究区域的采样点进行了地面数据同步或准同步的野外测量。为了降低测量误差，对研究区域的采样点布设如图1 所示，共设置了20 个采样点，编号为SH1～SH20，其中主采样点有5 个，为离岸边最远的5 个采样点，主采样点位之间的距离均设置在400 m 左右，以保证各主采样点位在遥感影像上对应不同的像素，多次采样取平均值，最大限度地实现遥感影像数据与地面采样点数据的对应。实测采样频率为大约两月一次，经统计剔除2 组异常数据，共得到78 组数据，实测浓度单位为μg/L。

图1 研究区域及采样点分布

1.2.2 卫星遥感数据。 Landsat 8 卫星包含OLI（Operational Land Imager 陆地成像仪）和TIRS（Thermal Infrared Sensor 热红外传感器）两种传感器。OLI 包括了ETM+ 的所有波段，为了避免大气吸收部分特征，OLI对波段进行了重新调整。卫星遥感数据选取主要依据以下3 个原则：（1）卫星过境时研究区域上空大气可见度高，云量<20%，遥感影像成像清晰可见；（2）尽可能保证实测水质数据时间与遥感影像数据时间同步或准同步，降低测量误差；（3）为了提高研究结果的代表性和可靠性，影像数据之间的时间间隔尽可能长。

由于Landsat 8 卫星影像数据会受到大气干扰等诸多因素的影响，因此无法直接进行反射率信息的反演，必须要对卫星影像进行预处理操作，例如通过进行大气校正[8]来削弱或消除大气对地物反射率的影响，通过辐射定标[9]将传感器记录的数字量化值（DN 值）转换为绝对辐射亮度值，通过几何校正[10]来纠正遥感影像的几何变形，通过影像融合[11]消除或抑制无关的信息，提高分类精度，最后再通过影像裁剪得到研究区域各个波段的反射率值。

1.3 水体提取

水体边界的正确提取是进行反演研究的前提条件，同时也左右和影响着水质遥感范围与水质监测精度。目前分离水体与陆地的常用方法有两种：一是利用非监督分类将底物进行区分，然后再利用分类结果图像生成掩膜提取水体边界；二是假若已知水体的矢量数据，就可以通过矢量数据直接生成掩膜提取水体边界。本文采用第二种方法，利用现有的武汉沙湖矢量数据生成掩膜直接进行水体部分的提取。

2 反演模型构建与分析

2.1 叶绿素a 与波段相关性分析

本文使用python 进行编程对波段进行相关性分析，Pearson 系数分布于0.3～0.7 之间，叶绿素a 浓度与波段反射率均处于正相关状态，其中波段1 到波段5的相关系数相对较高， 依次为：0.596、0.665、0.673、0.689、0.604，可以认为叶绿素a 浓度在波段宽度450 nm～680 nm 之间有较好的表征描述能力，可以用来构建模型，而其他波段的系数偏低，因此不适合用来构建模型。

2.2 回归分析

在统计学中，回归分析（regression analysis）指的是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，是建立模型和数据分析的重要技术。研究区域共获取78 组叶绿素a 浓度实测数据，其中随机抽取60 组使用回归分析建立反演模型，其余18 组进行精度验证。以波段的反射率x 作为自变量，实测叶绿素a浓度y 作为因变量，将波段1 至波段5 作为实验对象分别建立线性、指数、对数、多项式、幂25 种反演模型。通过对比25 种回归模型的拟合系数R2，显示以波段4 建立的多项式回归模型（y=4 535.2x2+179x+12.44）拟合效果最佳，R2为0.889 2，如图2 所示。

图2 浓度与B4 反射率相关关系

2.3 分析与评价

检验模型的可用性与模型好坏的重要标准是精度评价。本文选取两个参数来验证反演模型精度：均方根误差RMSE 和相对误差ARE。上述两个参数越接近0，其精度越高。反演验证结果在表1 中给出，由于篇幅有限，表中只列出了具有代表性的8 组数据，每组实测浓度与反演浓度相对误差最大值为22.94%，最小值为0.02%，相对误差的平均值为7.28%，从结果可知大部分样本点相对误差均达到10%以下，出现一组异常数据其相对误差达到22.94%，经离散分析这组数据为异常值，可能是实测时人为操作失误所导致，但总体上可以看出模型精度相对较高，反演的结果较好。

表1 反演结果及误差

3 结果与讨论

本文对武汉沙湖进行了长达一年的连续人工采样，随机选取了60 组实测数据，并与其对应的遥感影像波段反射率进行建模，剩下18 组实测数据进行模型验证与精度评估。在建模过程中依据相关性分析及拟合系数的选取原则，选取波段4 建立了最佳叶绿素a 反演模型为y=4 535.2x2+179x+12.44，拟合系数R2为0.889 2，大于0.4 的经验值[12]，说明模型具有可靠性。RMSE 为1.35 μg/L，平均相对误差ARE 为7.28%，远低于目前国际上水体水质参数测量平均误差范围（10%～40%）的要求。

将反演结果应用于卫星影像遥感数据，可以得到沙湖叶绿素a 浓度的空间分布，如图3 所示为Landsat 8 在秋季的反演结果。结果显示叶绿素a 浓度分布的红色区域主要集中在污染相对严重的水域，尤其是在武汉沙湖与内沙湖公园的交界处，表明沙湖大桥以西的水体叶绿素a 浓度普遍偏高；而沙湖大桥以东的水质状况则逐渐变好。经实地调查可知，叶绿素a 浓度最高的区域，位于沙湖以西至烟霞路段，其以住宅小区和餐馆为主，西北方向与内沙湖公园连通处被新生路泵站阻断，导致该水域流动性很差，水生生物大量死亡，绿藻泛滥，水体浑浊发臭，可见，人为活动对武汉沙湖水质变化的影响较大。

图3 叶绿素a 空间分布

综上所述，叶绿素a 水质反演结果的空间分布与沙湖现场实际情况基本吻合，说明利用Landsat 8 卫星影像数据可以较好地反映实际水质的概况。因此，在中等精度分辨率的要求下，利用Landsat 8 卫星影像数据建立水质反演模型，对实现沙湖区域水体叶绿素a 浓度值的有效反演，迅速获取内陆湖泊水质的空间分布状况，具有一定的可行性；同时卫星遥感反演可以加强对沙湖整体的水质监测，可作为常规水质监测的重要补充，为沙湖水生态管理部门决策提供科学的依据。

4 总结

应用遥感数据监测内陆湖泊水体水质具有区域广、实时动态、节约成本等优势，将成为今后湖泊等内陆水体监测研究的主流。本文结合项目实际情况选择了高光谱卫星数据Landsat 8 作为遥感数据来源，以叶绿素a 指标为研究对象，结合持续地面监测数据，用Pearson 相关性分析方法对叶绿素a 浓度与遥感影像波段的相关性进行分析，选择相关性较大的波段建立回归模型，并对模型进行了验证。结论如下：

（1）沙湖的Landsat 8 遥感影像波段2 到波段4 的遥感反射率与叶绿素a 浓度呈现较高的相关性，其中波段4 最高，其Pearson 系数为0.698。以波段的遥感反射率为自变量，实测的叶绿素a 为因变量，建立反演模型，经验证，波段4 建立的多项式回归模型为最佳反演模型（y=4 535.2x2+179x+12.44），其R2为0.889 2，RMSE为1.35μg/L，ARE 为7.28%，经实地考察发现，模型反演结果与沙湖现场情况吻合度较高。

（2）利用建立的反演模型应用于卫星影像遥感数据，得到了沙湖各时间段的空间分布，探究水文变化和人类活动等因子对水质参数的影响，发现人为活动对武汉沙湖水质变化的影响较大。因此，在制定沙湖的生态环境治理目标时，应将周围环境的影响因素考虑进去，对沙湖水质的污染来源和变化进行实地调查和分析，以此为依据进行科学有效的监管。

（3）采用卫星遥感数据对湖泊水质进行反演与监测是未来的发展趋势，但遥感数据非常容易受到大气运动的干扰，很难与地面实测时间同步，造成了获取数据的局限性。考虑到模型的普适性问题，可以将多源遥感数据融合反演作为研究的下一步工作。