基于欧比特高光谱影像的滇池叶绿素a浓度遥感反演研究

2022-12-15郑著彬张润飞李建忠林琳杨虹

遥感学报 2022年11期

郑著彬，张润飞，2，李建忠，2，林琳，杨虹

1.赣南师范大学地理与环境工程学院,赣州 341000;

2.南京师范大学地理科学学院,南京 210023

1 引言

水是生命之源，是人类赖以生存和发展不可或缺的重要资源之一，是21 世纪可持续发展战略实施的重要保障。自然界的水体按其光学特性可分为一类水体和二类水体（Morel 和Prieur，1977；Gordon 和Morel，1983）。二类水体主要包括内陆及近岸水体，受人类活动和气候变化的影响较为显著，导致近几十年来全球水质持续退化（Guo等，2022；Neil 等，2019）。随着全球工业革命与城市化进程的不断推进，湖泊水体富营养化状况日益严重，水环境遭到严重破坏，水体富营养化已成为全球共同面临的严峻问题（Paerl 和Paul，2012）。水体富营养化使得水中的溶解氧大量减少，水生生物因缺氧而大量死亡，导致水生生态系统物种分布失衡、水华发生频率加快、水质下降等问题（Vincent 等，2004），严重威胁人类健康，不利于社会经济的健康可持续发展（孔繁翔和高光，2005）。

叶绿素a浓度是描述水体营养状态的重要水质参数，其含量高低与水体藻类生物量密切相关，是水体水质状况监测的重要指标（马荣华等，2009；Beck 等，2016；王敬富等，2021）。目前，叶绿素a浓度的监测方法主要有人工监测的直接法和遥感监测的间接法。直接法主要是通过对湖泊进行实地采集水样，并将水样带回实验室进行生物化学分析，进而得到采样点水体的叶绿素a 浓度。该方法虽然能够精确分析和评价采样点的叶绿素a浓度，但是耗时耗力、不经济，并且水体采样点的数量有限，只能获取整个湖泊离散的“点”状信息，难以代表湖泊水体叶绿素a浓度的整体分布情况（刘阁等，2017）；而遥感技术具有监测范围广和周期性观测等优点，通过分析水体光学特性与叶绿素a 浓度之间的关系，构建合适的叶绿素a 浓度反演模型，并将反演模型应用于遥感影像可得到整个湖泊叶绿素a浓度的时空格局（刘瑶等，2022）。

叶绿素a浓度遥感监测是通过分析水体的光学特性，基于经验和统计方法寻找和分析叶绿素a浓度的敏感光谱波段，将遥感数据和野外现场实测叶绿素a浓度数据进行数学分析，进而构建合适的叶绿素a 浓度反演算法（Kuchinke 等，2009；Neil等，2019）。目前国内外学者将叶绿素a 浓度遥感反演方法主要分为经验方法、半经验/半分析方法和分析方法（Morel 和Gordon，1980；马荣华等，2009）。Gurlin 等（2011）利用MERIS （Medium Resolution Imaging Spectrometer）和MODIS（Moderate Resolution Imaging Spectroradiometer）影像数据与实测数据相结合建立了叶绿素a浓度的经验回归模型；Gilerson 等（2010）基于MERIS 数据和实测数据分别测试了波段比值和三波段的叶绿素a浓度遥感估算模型；李正浩等（2021）基于现场实测遥感反射率和浮游植物色素浓度数据，确定浮游植物色素浓度与遥感反射率波段组合之间的统计关系，并利用GOCI（Geostationary Ocean Color Imager）影像数据反演了黄海、渤海和东海等近岸水体浮游植物叶绿素a 浓度；Brando 等（2009）采用物理模型方法对澳大利亚莫顿湾的水下地形和光学活性物质进行高光谱遥感反演；Smith 等（2018）基于叶绿素最优化算法利用OLCI（Ocean and Land Color Instrument）和MERIS影像数据反演一类水体的叶绿素a 浓度；Liu 等（2020）结合OLCI 影像数据和半分析模型实现对二类浑浊水体叶绿素a浓度的遥感反演和动态监测；李渊等（2014）利用波段比值、三波段、四波段等模型组合的基于数据同化的多模型协同反演算法对太湖水体叶绿素a浓度进行遥感反演，取得了较好的效果；李云梅等（2006）通过分析太湖水体光学特性，利用辐射传输模型模拟水下反射光谱，并使用优化函数的方法成功估算太湖水体叶绿素a浓度。

内陆水体具有较为复杂的光学特性，以及人类活动和风浪等不稳定因素对高原富营养化湖泊叶绿素a浓度的影响，使得常规宽波段的多光谱遥感技术难以捕获其光谱特征，因而往往导致宽波段多光谱遥感数据对内陆水体水质监测的精度不高。而光谱分辨率达到2.5 nm 的高光谱遥感数据更容易捕捉到复杂多变的内陆水体的光学特征，从而提高内陆水体水质监测的能力（Kutser 等，2001）。因此，高光谱遥感技术对于内陆水体水质监测具有重要意义。

欧比特高光谱影像是中国新一代高光谱卫星影像，也是目前全球唯一集高光谱、高空间和高时间分辨率的在轨影像产品，优于HJ−1 HSI、ZY−1 AHSI、GF−5 AHSI 等高光谱数据，在富营养化湖泊水质监测方面具有巨大潜力（Zhang 等，2021；刘瑶等，2022）。然而目前关于欧比特高光谱遥感影像应用的研究较少（殷子瑶等，2021），尤其是对于欧比特高光谱影像能否用于高原富营养化湖泊的水质监测及其叶绿素a浓度遥感反演的适用性和可行性仍有待验证，基于此，本研究以高原富营养化湖泊滇池为研究区，尝试构建一套适用于高原富营养化湖泊水体的国产欧比特高光谱影像的叶绿素a 浓度遥感反演模型，揭示滇池叶绿素a浓度的空间分布规律，以期为中国生态环境、自然资源与水利等部门对湖泊水质的遥感监测与管控提供参考和数据支持，以及在一定程度上促进国产欧比特高光谱影像的推广与应用。

2 材料与方法

2.1 研究区概况

滇池（24°32'N—25°17'N，102°31'E—102°56'E，图1）坐落于云贵高原，是云南省最大的淡水湖，也是西南地区最大的高原湖泊，其湖面海拔1886 m，水域面积330 km2，平均水深5 m （Mu 等，2021）。滇池属于长江上游金沙江水系，海埂大坝将滇池分为草海和外海两部分，其中草海面积占滇池总面积的3.6% （Huang 等，2014；Mu 等，2021）。滇池北岸紧邻昆明主城区，东岸毗邻昆明呈贡新城区，南岸为大规模塑料大棚花卉和蔬菜种植区，西岸倚靠西山，汇水面积较小，地势陡峭。

图1 滇池地理位置与采样点分布Fig.1 Geographical location and distribution of sampling sites of Dianchi Lake

受人类活动和风浪的影响，具有封闭‒半封闭特征的滇池易发生营养物质堆积现象，现已成为中国典型的高原富营养化湖泊，为国家重点治理的“三湖”之一。然而，作为西南地区居民重要的饮用水源地，滇池也服务于工农业用水、防洪、航运、旅游、水产养殖、水力发电和气象观测，对昆明及周边地区的社会经济发展起着至关重要的作用。近几十年来，随着滇池周围工业的兴起，社会经济的快速发展和人口的持续增长，越来越多的污染物从河道输入滇池，导致富营养化程度日趋严重，水环境和水生生态系统遭到严重破坏。

2.2 野外实验与数据获取

2.2.1野外实验

2017 年4 月和11 月对滇池进行了两次野外实地采样，测量并收集了遥感反射率（Rrs）和水样数据。在整个滇池湖区共布设了72 个采样站点，在每个站点使用全球定位系统GPS 接收器记录经度和纬度坐标，并从50 cm 水深处收集约1000—1500 mL 的地表水样品进行实验室测量和分析（Liu 等，2015；Liu 等，2014）；此外，本研究还从滇池管理局获取了与欧比特高光谱影像同步（采样日期为2019 年4 月2 日）的10 个野外实测叶绿素a浓度数据（图1），以便用于验证欧比特高光谱影像叶绿素a浓度的遥感反演结果。2017年两次野外巡测实验样点（N=72）和滇池管理局于2019年4 月2 日现场实测的10 个样点（N=10）分布如图1所示。

水体遥感反射率的测量采用美国ASD 公司生产的ASD Field Spec 便携式野外光谱仪，该仪器具有512个光谱通道，光谱范围为350—1050 nm，光谱分辨率为2 nm。为了更好提取水体离水辐亮度信息，减少水体镜面反射和船体自身阴影对测量结果的影响，测量时采用水面以上测量法分别测量参考板、水和天空光的辐射光谱（唐军武等，2004），以观测方位角与太阳入射方向的夹角为135°、观测天顶角为40°的观测几何避免阳光直接反射到水面（Mobley，1999）。每个样点获取10 条光谱，从中消除因偶然因素引起的异常光谱，并通过取平均值的方法获得有效光谱。水面测量的遥感反射率计算公式如下：

式中，Rrs为实测样点的光谱遥感反射率，Lsw是从水体表面测得的总辐亮度；ρsky是气—水界面对天空光的反射率，对于平静水面可取值为2.2%，风速为5 m/s时ρsky取值为2.5%，风速在10 m/s时可取值为2.6%—2.8%（唐军武等，2004）；Lsky是天空光辐亮度；Lp是参考板测量的辐亮度；ρp是参考板的反射率，其值为30%。

2.2.2水样分析

本研究将采集的表层水样保存在低温条件下，当日运回实验室测定叶绿素a 浓度、总悬浮物浓度、有机悬浮物浓度和无机悬浮物浓度等水质参数。叶绿素a 浓度采用热乙醇‒分光光度计法进行测量（陈宇炜等，2006），即用80°C 的90%热乙醇萃取叶绿素a，用1%的稀盐酸酸化萃取液，并利用UV2550 分光光度计测量665 nm 和750 nm 处的吸光度，进而确定水样的叶绿素a 浓度（表1）。此外，采用常规的煅烧法测量总悬浮物、有机悬浮物和无机悬浮物的浓度（孙德勇等，2008）。将水样在Whatman GF/F 滤膜上过滤，并将水样的过滤产物进行称重，利用过滤产物的质量除以水样的体积即可得到总悬浮物的浓度，然后继续将滤膜在550 °C 下再灼烧4 h 以去除有机悬浮物成分，并再次称重确定无机悬浮物浓度，将总悬浮物减去无机悬浮物质量则可以得到有机悬浮物浓度。

表1 滇池水体叶绿素a浓度统计Table 1 Statistics of Chla concentration in Dianchi Lake

2.3 遥感数据与数据预处理

本研究使用的遥感数据为珠海一号欧比特高光谱影像数据，该数据来源于珠海欧比特宇航科技股份有限公司，具有2.5 nm 的高光谱分辨率和10 m 的高空间分辨率，波段范围400—1000 nm，共有32个光谱通道，辐射量化级为10 bit，辐射动态范围具有1024 级，成像日期为2019 年4 月2 日，具体波段参数信息如表2所示。为了从欧比特高光谱影像中反演得到叶绿素a浓度信息，需要对遥感影像进行定量化预处理，先对欧比特高光谱影像执行辐射定标，将DN值转化为TOA 辐亮度；再进行FLAASH 大气校正，将TOA 辐亮度转换为地面反射率信息；为了考虑传感器观测几何的影响，对大气校正后的影像再执行正射校正。

表2 欧比特高光谱影像波谱基本信息Table 2 Basic spectral information of Orbita hyperspectral imagery

2.4 基于实测遥感反射率的欧比特高光谱影像模拟

为了使用欧比特高光谱影像估算叶绿素a 浓度，利用野外现场测量的光谱遥感反射率数据，结合欧比特高光谱影像的光谱响应函数来模拟欧比特高光谱影像的光谱特性（Zhang 等，2021；Li等，2015），模拟结果可以通过以下公式推导（Zheng 等，2015）：

式中，Rrs（Bi）表示现场实测遥感反射率对欧比特高光谱影像第i波段从λmin到λmax积分的模拟光谱通道。

2.5 模型精度评价

为了评价模型的反演效果，本研究选用3个指标评价模型性能，包括决定系数（R2）、均方根误差RMSE（Root Mean Square Error）和平均绝对误差百分比MAPE（Mean Absolute Percentage Error）。其中， RMSE 和MAPE 的计算公式为（Liu 等，2018）：

式中，n是指样本数量，Chlai和Chlai'分别是Chla浓度的实测值和估算值。

3 结果与分析

3.1 基于实测光谱的叶绿素a浓度估算模型

为构建适用于滇池水体的叶绿素a浓度高光谱遥感估算模型，本研究利用两次野外实验获得的72组现场测量的原位样点光谱特性数据和叶绿素a浓度数据进行相关分析，计算每个光谱波段和叶绿素a 浓度的相关系数，以找到叶绿素a 浓度的敏感光谱波段和叶绿素a 浓度遥感反演的最优波段组合。

常用的水体叶绿素a浓度遥感反演算法有经验方法、半经验/半分析方法和分析方法，本研究主要是检验欧比特高光谱影像在内陆水体叶绿素a浓度的反演能力，因此选用较为简单的经验方法。为确定最优波段组合，分别计算各波段比值因子与野外原位样点实测的叶绿素a浓度之间的相关系数。如图2 所示，Rrs（716）/Rrs（595）与叶绿素a 浓度的相关性最高（R2=0.819，p<0.05），是叶绿素a浓度估算的最优波段组合。因此，本研究选用716 nm 和595 nm 处的遥感反射率作为叶绿素a 浓度遥感估算的基准因子，以Rrs（716）/Rrs（595）的比值为自变量，实测叶绿素a浓度为因变量，建立相应的滇池水体叶绿素a浓度估算模型为

图2 基于实测光谱的叶绿素a浓度估算模型构建Fig.2 Development of Chla concentration estimation model based on in−situ spectra

式中，Chla 为滇池水体叶绿素a 浓度，Rrs（716）和Rrs（595）分别为716 nm 和595 nm 处的野外实测遥感反射率。

3.2 基于模拟OHS影像的叶绿素a浓度反演模型

上述基于实测光谱的叶绿素a浓度估算模型的研究结果表明，近红外与红光波段比值（Rrs（716）/Rrs（595））对于滇池水体的叶绿素a 浓度估算精度较高且简单易行，因此将其作为卫星遥感影像反演的基础。但是实测光谱与欧比特高光谱影像的波段设置和光谱响应存在差异，实测光谱数据无法直接反映欧比特高光谱影像的真实情况，需结合实测光谱数据和光谱响应函数获得基于模拟欧比特高光谱影像的等效波段反射率信息（Zhang等，2021）。根据欧比特高光谱影像的波段设置（表2），Rrs（716）和Rrs（595）分别对应于欧比特高光谱影像的B17 和B9，因此利用欧比特高光谱影像模拟的B17 和B9 波段等效遥感反射率进行叶绿素a浓度遥感反演模型的构建。为了评价所构建模型的鲁棒性，将两次野外现场采集的72 个样点数据随机分为两组，其中2/3 样点（N= 48）用于模型建立，其余1/3 样点（N= 24）用于模型验证（沈明等，2017），所构建的叶绿素a浓度遥感反演模型为：

式中，Chla 表示滇池水体叶绿素a 浓度，B17 和B9分别表示欧比特高光谱影像的第17 和第9 波段的等效遥感反射率。

图3结果表明，本研究提出的波段比值模型在训练和验证数据集中表现良好，波段比值因子B17/B9与野外实测叶绿素a浓度之间存在显著相关性（R2=0.804，p<0.05）。将使用波段比值模型估算得到的叶绿素a 浓度与实测叶绿素a 浓度进行对比，实测值与估算值具有较好的一致性，其散点较均匀分布在1∶1 线两侧，反演模型的RMSE 为6.99 μg/L，MAPE 为6.32%，估算精度在可允许的误差范围之内。由此说明本研究构建的波段比值模型能够用于滇池水体叶绿素a 浓度的遥感反演，并取得了较好的反演效果，同时也表明欧比特高光谱影像能够有效反演高原富营养化湖泊水体的叶绿素a 浓度，为内陆湖泊水体叶绿素a 浓度的遥感监测提供了一种新的策略。

图3 基于模拟欧比特高光谱影像的叶绿素a浓度估算模型构建与验证Fig.3 Development and validation of Chla concentration estimation model based on simulated OHS imagery

3.3 叶绿素a浓度反演结果验证

为了进一步验证波段比值模型对欧比特高光谱影像的有效性和可行性，利用2019年4月2日滇池管理局采集的、与欧比特高光谱影像同步的、均匀分布在滇池的10 个观测样点叶绿素a 浓度数据用于模型评价。如图4所示，基于波段比值模型反演得到的叶绿素a 浓度与现场实测的叶绿素a 浓度较均匀分布在1∶1线两侧，RMSE和MAPE分别为12.47 μg/L 和22.53%，误差在可接受的范围之内。据此，本研究提出的波段比值模型可以用于滇池水体叶绿素a浓度的遥感反演，表明OHS影像适用于内陆湖泊水体叶绿素a浓度遥感反演。

图4 叶绿素a浓度反演结果验证Fig.4 Validation of Chla concentration derived from Orbita hyperspectral imagery

3.4 滇池叶绿素a浓度空间格局

将波段比值模型应用于滇池欧比特高光谱影像，以获得滇池叶绿素a浓度空间格局（图5（a）），并在反演结果中随机选择3条横断线以定量分析滇池叶绿素a浓度的空间分布规律。从图5（b）可以看出，以离湖岸的距离即像元距离为横坐标，叶绿素a 浓度为纵坐标，3 条横断线均显示出随着像元距离的增大，叶绿素a浓度逐渐减小，揭示了滇池叶绿素a浓度整体呈现出从湖岸向湖泊中心递减的趋势。但对于不同的横断线，其递减的趋势也不尽相同，横断线1（即东北部）与横断线2（即东南部）位于昆明主城区附近，严重受人为活动的影响，叶绿素a 浓度呈幂函数型递减，前3 个像元的递减趋势较快，随后递减趋势较为平缓，而横断线3（即西北部）依靠西山，人为活动较少，叶绿素a浓度呈线性递减，在整个像元距离范围内递减趋势较均匀。滇池中心的叶绿素a 浓度最低，为20—40 μg/L，而湖泊沿岸的叶绿素a 浓度最高，达到100—160 μg/L，2019年4月2日整个滇池湖泊水体的平均叶绿素a浓度估算为54.28±19.30 μg/L。

图5 2019年4月2日滇池水体叶绿素a浓度空间格局Fig.5 Spatial pattern of chlorophyll−a concentration in Dianchi Lake on April 2，2019

4 讨论

4.1 陆地邻近效应对反演结果的影响

陆地邻近效应是指遥感影像中的近岸水体像元反射率受到附近地表的影响而高于正常水体反射率的现象（毕顺等，2018），在一定程度上影响叶绿素a浓度的空间格局，因此该效应的消除对于滇池叶绿素a浓度的准确估算具有重要意义。为了确定陆地邻近效应对反演结果的影响，分别在欧比特高光谱的B9 和B17 波段影像中选取图5a 中的横断线1，计算相对偏差，即当前像元与下一像元之间反射率的相对差异。如图6所示，B9和B17波段受到不同程度的邻近效应影响，当距岸边为4个以内的像元时，B9 的相对偏差超过10%，受邻近效应的影响较为严重，当像元距离超过4时，B9的相对偏差低于5%，而B17 的相对偏差随像元距离变化不大，几乎不受邻近效应的影响，因此滇池叶绿素a 浓度反演结果的近岸4 个像元受到邻近效应的影响，与冯炼（2021）的研究结果一致。本研究将反演结果的近岸4个水体像元进行掩膜前后的对比（图7），以更直观地表达邻近效应对滇池叶绿素a 浓度反演结果的影响。从图6 和图7 可以看出，滇池水体的近岸4个像元易受到陆地邻近效应的干扰，因此在对滇池水质参数进行定量反演时，应对近岸4个像元进行掩膜处理以剔除邻近效应的影响。

图6 欧比特高光谱影像中近岸水体像元反射率的相对偏差变化Fig.6 Variation of the relative difference of the pixel reflectance of the nearshore water in the OHS imagery

图7 陆地邻近效应去除前后Chla浓度空间格局对比Fig.7 Comparison of the spatial pattern of Chla concentration before and after the land adjacency effect removed

4.2 叶绿素a浓度估算模型对比

与前人构建的叶绿素a 浓度遥感估算模型相比，本研究提出的波段比值模型的性能又如何呢？为了回答这一问题，将本研究构建的波段比值模型与常用的叶绿素a 浓度遥感反演算法进行对比。如表3 所示，与前人的叶绿素a 浓度遥感反演算法相比，本研究构建的波段比值模型的R2最高，RMSE和MAPE均最低，估算精度和效果最好（R2=0.804，RMSE=6.99 μg/L，MAPE=6.32%），表明该模型是滇池水体叶绿素a 浓度遥感反演的最佳模型，欧比特高光谱影像能够适用于滇池叶绿素a浓度的遥感反演。