基于Sentinel-2卫星遥感影像的巢湖及南淝河叶绿素a浓度反演

孙世举　徐浩　吴艳兰　吴鹏海　杨辉

摘要：叶绿素a是反映水生态环境污染状况的重要指标，定量反演叶绿素a浓度有助于及时监测水体营养状态变化，对富营养化水体治理具有重要意义。以巢湖及南淝河支流下游为研究区域，利用Sentinel-2卫星遥感数据源，构建其叶绿素a浓度反演模型，探究叶绿素a浓度的时空变化规律。结果显示，构建的深度神经网络（DNN）模型反演精度较高（R2=0.96，MRE=31.62%，RMSE=24.4 μg/L）。通过分析减少训练样本量对DNN模型精度的影响，发现训练样本较少时，模型仍具有较高的精度；根据其精度的敏感模型训练样本个数，将训练集按组等分，模型呈现较好的稳定性并具有一定的适用性。分析表明，研究区叶绿素a浓度在时间上呈现夏秋季上升、春冬季下降的规律，在空间上呈现湖区西高东低、局部近岸区分布较高的特点。

关键词：叶绿素a；卫星遥感；浓度反演；巢湖；南淝河

中图分类号：X835        文献标志码：A        文章编号：1674-3075（2023）04-0058-09

近年来，淡水湖泊富营养化造成的藻类水华暴发问题日趋严重（钱瑞等，2022）。叶绿素a作为湖泊藻类中含量最多的色素，可直观反映出湖泊营养状态，是湖泊水质监测的重要指标之一（高玉蓉等，2012）。水色遥感技术是通过分析遥感反射率与水色要素（如CODMn、Chl-a、Tss等）之间的关系，从而计算研究区域水色参数浓度（马荣华等，2009）。就水体藻类群落而言，其叶绿素a浓度会随着季节与水环境等因素的变化呈现出较大差异，但目前叶绿素a浓度反演模型在不同季节及不同水环境的适用性仍有待探讨（王波等，2022）。

在数据源方面，常规叶绿素a遥感反演数据源主要包括Landsat-5及Landsat-8系列卫星（Yong et al，2018; Mamun et al，2021）、Sentinel系列卫星（Jiang et al，2017）、高分一号系列卫星（徐鹏飞等，2020）、环境一号系列卫星（徐逸等，2019）、MODIS系列卫星（马荣华等，2009）、MERIS影像数据（Mishra et al，2011）、Hyperion影像数据（杜聪等，2009）、SeaWiFs系列卫星（Hu et al，2011）及无人机高光谱影像数据（黄宇等，2020）。尽管上述数据源都可以针对区域叶绿素a浓度进行反演，但其时间及空间分辨率存在较大差异。相比之下，Sentinel-2系列卫星除拥有良好的空间分辨率外，还具有5日一次的重放周期，并且其在红光范围拥有3个波段数据，是探究水体叶绿素a反演的理想数据源（王行行等，2020；Silveira et al，2020）。

在遥感反演方面，传统经验方法是通过建立遥感数据与地面监测水质参数值之间的统计关系外推水质参数，缺少生物光学理论依据，对浑浊水体估算精度较差（安如等，2013；Zhang et al，2017）。半经验方法是将已知的水质参数光谱特征与统计模型相结合，选择最佳波段或波段组合作为相关变量估算水质参数值，而半分析方法主要以生物光学模型为基础，提高模型的反演能力（毕顺等，2018）。机器学习算法的引入，为遥感水质反演更深一步的研究提供了参考方向（Motoaki et al，2001；Naeini & Prindle，2018；David et al，2020）。但雨生等（2020）利用BP神经网络对平寨水库叶绿素a浓度进行了估算，其BP神经网络模型精度较高，但仍存在需添加采样点个数及模型局限性的问题；Jia等（2020）采用多种机器学习共同构建研究区叶绿素a浓度反演模型，采用叠加回归法，避免了单一模型的不足，证明了基于聚类方法的可行性，但其预测数据与真实值存在一定差距，模型性能仍需进一步提升。Cao等（2020）研究表明，基于高宽波段数据反演湖泊中叶绿素a浓度的机器学习方法，为进一步提高模型反演能力提供了更高的参考价值。

巢湖是中国五大淡水湖之一，目前有关其叶绿素a浓度反演研究存在实地采样数据时间单一、数据量较少、构建模型精度不够高、不具备较强普适性等问题（荀尚培等，2011；陶慜等，2015；刘文雅等，2019；罗婕纯一等，2021），故针对巢湖需要更多的跨季或跨年实测数据以及更加精准、高效的算法模型对叶绿素a浓度进行反演。本文以巢湖及南淝河支流下游段为研究区域，基于5次不同时期的遥感影像数据和地面准同步实测叶绿素a浓度数据，尝试采用深度神经网络（DNN）学习算法，构建叶绿素a浓度反演模型；通过减少训练样本，探究其对模型精度的影响以及模型的稳定性和适用性，得到适合其反演的最佳模型，以期为巢湖流域水环境营养状态的智能化动态监测提供科学依据。

1   材料与方法

1.1   研究区及数据

1.1.1   区域概况   巢湖流域位于安徽省中部，处于长江和淮河两大水系中间，属于长江下游左岸水系（图1）。巢湖湖区（30.42°～31.72°N，117.28°～117.86°E）位于合肥市城区以南15 km。南淝河水系位于巢湖西端北部，流域面积1 700 km2，源头位于肥西县将军岭等丘陵地带，长70 km，其主要支流有店埠河、四里河等。

1.1.2   野外数据采集   野外采样信息如表1所示。分别于2018年8月2号、2019年12月27号、2020年6月25号、2020年11月2号以及2020年11月13号分5次对研究区水体进行采样，共采集有效点138个（图1），选择天气晴朗、湖面平静时采样，2018年7月31号及2020年6月25号两景影像在巢湖西部有云层遮挡，其余天气均无云。

采用分光光度法对水体叶绿素a浓度进行测量（Pyo et al，2017）。将一定量样品用滤膜过滤截留藻类，研磨破碎藻类细胞，用丙酮溶液提取叶绿素，离心分离后分别用于750、664、647、630 nm波长处测定提取液吸光度，根据以下公式计算水中叶绿素a浓度：

P1=11.85（A664-A750）-1.54（A647-A750）-0.08（A630-A750） ①

Chl-a = P1V1/V ②

式中：P1为试样中叶绿素a浓度，A630、A647、A664、A750分别为试样在630、647、664、750 nm波长的吸光值度，Chl-a为样品中叶绿素a浓度，V1为试样定容体积，V为取样体积。

1.1.3   遥感数据及预处理   针对采样时间跨度较大及南淝河下游河道较窄问题，选择Sentinel-2系列卫星作为本研究影像数据，该卫星遥感影像数据通过欧空局官网下载（https：//scihub.copernicu.eu/），是多光谱成像卫星，携带1枚多光谱成像仪（MSI），由同时运作的2A和2B卫星组成，使其重访周期缩短至5 d，具有较高的时间分辨率。其多光谱成像仪覆盖了13个谱段（443～2 190 nm），4个可见光谱段和1个近红外谱段的空间分辨率达到了10 m，6个红光边缘谱段和短波红外谱段的空间分辨率达到了20 m，同时满足了高空间分辨率卫星影像的需求（刁瑞翔等，2021）。本文所选取的Sentinel-2A卫星遥感影像共24景，均保证天气条件较好、云层覆盖率小。将已下载的遥感影像使用SNAP软件的邻近像元法进行重采样至10 m，遥感影像的预处理通过ACOLITE软件包进行（http：//odnature.naturalsciences.be/remsem/acolite/）。ACOLITE软件包中嵌入了暗光谱拟合算法进行大气校正，并得出Rrs（水像元的遥感反射率）的算法（Li et al，2019）。为尽量消减邻近效应对本研究的影响，采用掩膜处理方法对离岸2个像元以内的区域加以裁剪，但不参与后续反演建模（毕顺等，2018）。

1.2   敏感波段分析

目前的水质参数反演一般选择Chl-a浓度敏感性较强的波段用于模型构建（Dall'Olmo，2006）。本研究的敏感因子采用代表性的单波段和双波段组合（孙昊和周林飞，2019；孙宏亮，2020），提取预处理之后影像各采样点的波段信息并加以组合，与实测叶绿素a浓度进行Pearson相关性分析，结果如图2。

采用B8A/B4、B6/B4、B8/B4、B7/B2、B8A/B2以及B6/B2共计6个Pearson相关性系数高于0.85的波段组合，作为DNN模型及其他机器学习模型的输入。

1.3   DNN网络模型

神经网络是计算机科学领域中人工智能的一个分支。从生物学角度来说，人工神经网络（Artificial neural network，ANN）是模拟人类大脑中神经网络的激活和信息传递模式，深度神经网络（Deepneural networks，DNN）是由ANN发展变化而来（Hinton & Salakhutdinov，2006）。本文以DNN为主体构建深度学习网络模型，将波段组合数据与实测数据合并后导入网络，最后输出到样本标记空间，实现模型的最终分类；该网络能分析波段数据与叶绿素a实测数据的特征关系，有效提升输入数据的复杂度，提高模型非线性拟合能力，进一步提升网络性能。将结果与预测值进行相对误差分析，作为反演叶绿素a浓度精度的评价标准（逄淑娜等，2019）。

从总样本中随机选取80%的采样点（110个）作为训练，剩余20%的采样点（28个）作为测试，提取出采样点的光谱反射率，采用相关性系数高于0.85的6种波段组合，结合实测水质数据作为模型的训练样本。由于网络层数过少不能很好地捕捉数据特征，因此本文通过增加隐藏层数来容纳更多的神经元，通过对每一层的输出增加一个激活函数来解决复杂的非线性问题，提高模型的特征提取能力。

本文基于Keras框架经过大量实验并结合具体数据量，搭建4层结构的深度神经网络，如图3所示。其中隐藏层的节点数分别为256、128和32，输出层的节点数为1，图中Xtrain为DNN网络的输入，Xtrain = [x1， x2， x3， …， xn]即n纬的列向量。网络通过在输入层对数据进行标准化处理，数据输入进行层间权重参量与阈值参量的计算既（wn，bn），通过Xtrain及Ytrain计算wn、bn。在本文的DNN网络中，每个隐藏层从前一层获得输入数据，经隐藏层提取特征，并利用Relu激活函数实现非线性表达，逐层依次迭代，确定学习率设置为0.001，损失函数使用mse，优化器使用adam，迭代次数设置为50次，最后导入回归评价指标，实现模型的训练。

1.4   模型评价指标

本文利用模型相关性系数（Coefficient of determination，R2）、平均相对误差 （Mean relative error，MRE）和均方根误差（Root mean square error，RMSE）对水质参数反演模型进行精度评价。R2是判断回归模型拟合程度高低最常用的指标，其表达公式如下：

式中：n为数据的总个数，[R'i]为反演模型估测的叶绿素值，[R i]为实测的叶绿素值，[R] 为实测叶绿素平均值。

2   结果与分析

2.1   DNN模型精度

使用20%的测试数据用于进行模型精度评价，以验证模型的精度。本次研究采用深度神经网络（DNN）方法建立叶绿素a反演模型的预测值与实测值对比结果见图4。

2.2   方法对比

为了验证DNN模型的有效性，分别采用支持向量机（SVM）、随机森林（Random forest regressor）、梯度提升（Gradient boosting regressor）、极端随机树（Extra trees regressor）、XGBoost（eXtreme Gradient boosting）、K近邻（K Neighbros regressor）、AdaBoost回归（AdaBoost regressor）、Bagging回归（Bagging regressor）共8种机器学习算法，构建巢湖及南淝河下游叶绿素a浓度反演模型，并进行上述模型对比与分析。

机器学习模型的构建选取与DNN模型相同的波段组合输入，采用8种机器学习方法建立叶绿素a反演模型的预测值与实测值对比，每个模型在反复进行参数调整测试后，结果如图5所示。通过多种不同机器学习模型发现，利用DNN及机器学习算法所构建的模型均拥有较好的性能，而DNN方法所构建的模型，具有最高的模型相关性系数、最低的平均相对误差及均方根误差。

综上，DNN算法应为最优算法。为避免模型存在偶然性的问题，针对DNN模型及各种机器学习模型进行稳定性分析。

2.3   训练样本量对模型精度影响

样本量过少会影响深度学习效果（马岽奡等，2021；王子儒和李振民，2021）。为了验证DNN模型的稳定性，在保证测试集不变的情况下，分析样本个数对模型精度的影响，以训练集中的每5个数据为1个单位，每次减少1个单位，并同时采用上述8种机器学习模型进行共同实验，结果如图6所示。

随着训练集个数的不断减少，9种模型的R2均呈现持续下降趋势，其中DNN模型下降幅度最小，R2始终要高于其他机器学习模型。训练集数在110～30个时，DNN模型R2保持在0.90以上；训练集数在25个时，R2下降至0.88；样本数为15个时，R2为0.81。故DNN模型整体精度较高，具有良好的稳定性。

2.4   模型适用性

基于2.3中训练样本量对模型精度的影响分析，分别采用30、25、15个采样点进行训练时，模型精度下降较大（约8%），确定影响其精度的敏感模型训练样本个数并进行实验。在保证测试集不变的情况下，将训练集按30个/组、25个/组、15个/组分别分为3组、4组、6组，如图7所示；且测试点随机覆盖研究区，结果如表2所示。

每30个采样点为一组进行模型构建，R2均值（0.8893）与每25个为一组的R2均值（0.8762）相差不大。每15个采样点为一组的R2均值（0.7993）相较前2组的下降幅度较大，但仍有较高的精度。故该模型可根据自身实际情况，为今后开展巢湖叶绿素a浓度采样时，所需人工采样点个数的把控及巢湖叶绿素a浓度的宏观观测提供参考依据。

2.5   叶绿素a浓度的时空分布反演

本研究采用2018-2020年春夏秋冬四季成像的Sentinel-2 MSI 影像各一景，共12景，使用DNN模型对巢湖及南淝河下游的叶绿素a进行反演和时空变化分析，结果如图8所示。

按照颜色由浅绿向深绿过渡，颜色越深，表示反演结果中叶绿素a浓度越高，灰色部分代表水域被云层覆盖。根据实际反演情况，将叶绿素a浓度分为0、100、150、200、300 μg/L和大于300 μg/L共6个不同的浓度等级。

2.5.1   时间变化   根据巢湖及南淝河下游叶绿素a浓度3年四季的反演结果，不同叶绿素a的等级分布及浓度均值见图9。

图8反演结果表明，2018-2020年春季，研究区大部分的叶绿素a浓度在100～200 μg/L，其浓度较低；2018-2020年夏季，大部分区域叶绿素a浓度在150～300 μg/L，其浓度适中；2018-2020年秋季，大部分区域叶绿素a浓度在100～200 μg/L，其浓度适中；而2019年秋季巢湖流域大面积叶绿素a浓度则处于200～300 μg/L，其浓度较高；2018-2020年冬季，大部分区域叶绿素a浓度在100～150 μg/L，其浓度较低。由图9可以看出，每年夏秋季巢湖及南淝河下游的叶绿素a浓度要明显高于春冬季，春、夏、秋、冬四季均值在141～168、175～195、172～218、143～164 μg/L。由上可知，研究区叶绿素a浓度在夏秋季偏高，春冬季偏低，这主要与温度降低、藻类植物繁殖变慢有关（荀尚培，2011）。

2.5.2   空间变化   图8反演结果表明，巢湖叶绿素a浓度在空间上呈现出一定的差异。首先，巢湖西半湖的叶绿素a浓度要高于东半湖，这主要与巢湖西北部的十五里河和南淝河将合肥产生的城市污水导入巢湖西半湖以及巢湖姥山岛旅游景点位于西半湖有关（Zhang et al，2020）。本研究对南淝河下游叶绿素a浓度进行反演时发现，其叶绿素a浓度一直处于中等标准，这与河流流速也有一定关系。流速快的水体很少出现富营养化情况，然而其注入巢湖后，由于巢湖闸、裕溪闸等的修建，使巢湖逐渐成为半封闭水域，湖内水流缓慢，导致浮游植物富集，湖区叶绿素a浓度增高（陶慜等，2015）；其次，巢湖局部近岸区叶绿素a浓度较高，这与近岸区域的人类、生物活动及陆地环境有关。2019年及2020年冬季，湖心偏东部及偏南部湖区呈现出叶绿素a浓度较高的现象，经查阅天气信息，得知这两日风向均属于偏东南风，是湖面叶绿素随风向移动所致（李亚春等，2016；胡旻琪等，2018）。

3   小结

（1）采用B8A/B4、B6/B4、B8/B4等Pearson相关性系数高的波段组合作为DNN模型的输入因子，该模型具有较高的相关性系数（R2=0.96）、较低的均方根误差（RMSE= 24.4 μg/L）及相对平均误差（MRE=31.62%）。

（2）DNN 模型训练样本大于30个时，R2始终大于0.90；训练样本为25个时，R2=0.88；训练样本为15个时，R2=0.80。DNN模型具有良好的稳定性。将训练集等分为3组、4组及6组，R2下降约9%。

（3）基于DNN模型对研究区叶绿素a浓度进行反演，夏秋两季巢湖及南淝河下游叶绿素a浓度较春冬两季普遍偏高，主要与温度、藻类代谢有关；巢湖西半湖污染更为严重，主要受人文活动影响；巢湖局部靠岸区域的叶绿素a浓度较高，冬季会受到风向影响。

参考文献

安如，刘影影，曲春梅，等，2013. NDCI法Ⅱ类水体叶绿素a浓度高光谱遥感数据估算[J]. 湖泊科学， 25（3）：437-444.

毕顺，李云梅，吕恒，等，2018. 基于OLCI数据的洱海叶绿素a浓度估算[J]. 湖泊科学， 30（3）：701-712.

但雨生，周忠发，李韶慧，等，2020. 基于Sentinel-2的平寨水库叶绿素a浓度反演[J]. 环境工程， 38（3）：180-185，127.

刁瑞翔， 青松，越亚嫘，等，2021. 北方半干旱区典型湖泊——岱海透明度遥感反演（2013-2020年）[J]. 湖泊科学， 33（4）：1072-1087.

杜聪，王世新，周艺，等，2009. 利用Hyperion高光谱数据的三波段法反演太湖叶绿素a浓度[J].环境科学， 30（10）：2904-2910.

高玉蓉，刘明亮，吴志旭，等，2012. 应用实测光谱估算千岛湖夏季叶绿素a浓度[J]. 湖泊科学， 24（4）：553-561.

胡旻琪，张玉超，马荣华，等，2018. 巢湖2016年蓝藻水华时空分布及环境驱动力分析[J]. 环境科学， 39（11）：4925-4937.

黄宇，陈兴海，刘业林，等，2020. 基于无人机高光谱成像技术的河湖水质参数反演[J]. 人民长江， 51（3）：205-212.

李亚春，谢小萍，杭鑫，等，2016. 结合卫星遥感技术的太湖蓝藻水华形成风场特征[J]. 中国环境科学， 36（2）：525-533.

刘文雅，邓孺孺，梁业恒，等，2019. 基于辐射传输模型的巢湖叶绿素a浓度反演[J]. 国土资源遥感， 31（2）：102-110.

罗婕纯一，秦龙君，毛鹏，等，2021 . 水质遥感监测的关键要素叶绿素a的反演算法研究进展[J].遥感技术与应用， 36（3）：473-488.

马岽奡，唐娉，赵理君，等，2021. 深度学习图像数据增广方法研究综述[J]. 中国图象图形学报， 26（3）：487-502.

马荣华，孔维娟，段洪涛，等，2009.基于MODIS影像估测太湖蓝藻暴发期藻蓝素含量[J]. 中国环境科学， 29（3）：254-260.

逄淑娜， 朱渭宁，陈江，等，2019. Landsat-8的舟山近岸海域总悬浮物遥感反演与时空变异研究[J]. 光谱学与光谱分析， 39（12）：3826-3832.

钱瑞，彭福利，薛坤，等，2022. 大型湖库滨岸带蓝藻水华堆积风险评估——以巢湖为例[J]. 湖泊科学， 34（1）：49-60.

孙昊，周林飞，2019. 石佛寺水库叶绿素a浓度高光谱遥感反演[J]. 节水灌溉， 28（3）：67-70.

孙宏亮，何宏昌，付波霖，等，2020. 香港近海海域叶绿素a定量反演及时空变化分析[J]. 中国环境科学， 40（5）：2222-2229.

陶慜，段洪涛，齐琳，等，2015. 一种基于MODIS影像可业务化运行的巢湖水体叶绿素a估算算法[J]. 湖泊科学， 27（6）：1140-1150.

王波，黄津辉，郭宏伟，等，2022. 基于遥感的内陆水体水质监测研究进展[J]. 水资源保护， 38（3）：117-124.

王行行， 王杰，崔玉环，2020. 基于Sentinel-2 MSI影像的河湖系统水体悬浮物空间分异遥感监测——以安徽省升金湖与连接长江段为例[J]. 环境科学， 41（3）：1207-1216.

王子儒，李振民，2021. 融合数据增强的迁移字典学习[J]. 计算机工程与应用， 27（23）：193-199.

徐鹏飞，毛峰，金平斌，等，2020. 基于GF1_WFV的千岛湖水体叶绿素a浓度时空变化[J]. 中国环境科学， 40（10）：4580-4588.

徐逸，董轩妍，王俊杰，2019. 4种机器学习模型反演太湖叶绿素a浓度的比较[J]. 水生态学杂志， 40（4）：48-57.

荀尚培，杨元建，何彬方，等，2011. 春季巢湖水温和水体叶绿素a浓度的变化关系[J]. 湖泊科学， 23（5）：767-772.

Cao Z G， Ma R H， Duan H T， et al， 2020. A machine learning approach to estimate chlorophyll-a from Landsat-8 measurements in inland lakes[J]. Remote Sensing of Environment， 248（10）：111974-11989.

Dall'Olmo G， 2006. Isolation of optical signatures of phytoplankton pigments in turbid productive waters Remote assessment of chlorophyll-a[J]. In ProQuest Dissertations and Theses， 34（4）：547-559.

David V L， Marisse M， Charlie B， et al， 2020. Machine Learning to Support Hemodynamic Intervention in the Neonatal Intensive Care Unit[J]. Clinics in Perinatology， 47（3）：14-28.

Hinton E， Salakhutdinov R R， 2006. Reducing the Dimensionality of Data with Neural Networks[J]. Science， 313（7）：504-507.

Hu C， Lee Z， Franz B， 2011. Chlorophyll a algorithms for oligotrophic oceans： A novel approach based on three-band reflectance difference[J]. Journal of Geophysical Research Oceans， 117（11）：1011-1026.

Jia W J， Cheng J， Hu H Z， 2020. A Cluster-stacking-based Approach to Forecasting Seasonal Chlorophyll-a Concentration in Coastal Waters[J]. IEEE Access， 99（8）：99934-99947.

Jiang C， Zhu W， Tian Y Q， et al， 2017. Remote estimation of colored dissolved organic matter and chlorophyll-a in Lake Huron using Sentinel-2 measurements[J]. Journal of Applied Remote Sensing， 11（3）： 36007-36023

Li P， Ke Y， Bai J， et al， 2019. Spatiotemporal dynamics of suspended particulate matter in the Yellow River Estuary， China during the past two decades based on time-series Landsat and Sentinel-2 data[J]. Marine Pollution Bulletin， 149（12）：1-15

Mamun M， Ferdous J， An K， 2021. Empirical estimation of nutrient， organic matter and algal chlorophyll in a drinking water reservoir using landsat 5 tm data[J]. Remote Sensing， 13（12）：2256-2271.

Mishra S， Mishra D R， 2011. Normalized difference chlorophyll index： A novel model for remote estimation of chlorophyll-a concentration in turbid productive waters[J]. Remote Sensing of Environment， 117（2）：394-406.

Motoaki K， Akihiko T， Tomohiko O， et al， 2001. Temporal and spatial variability of chlorophyll a， suspended solids， and yellow substance in the Yellow Sea and East China Sea using ocean color sensor[J]. Physica A： Statistical Mechanics and its Applications， 4154：179-187.

Naeini E Z， Prindle K， 2018. Machine learning and learning from machines[J]. The Leading Edge， 37（12）：886-893.

Pyo J C， Pachepsky Y， Baek S S， et al， 2017. Optimizing the bio-optical algorithm for estimating Chlorophyll-a and Phycocyanin concentrations in inland waters in Korea[J]. Remote Sensing， 9（6）：542-559.

Silveira K， Thomassim G， Eniuce M， et al， 2020. A Method for Chlorophyll-a and Suspended Solids Prediction through Remote Sensing and Machine Learning[J]. Sensors （Basel， Switzerland）， 20（7）：2125-2131.

Yong S K， Seung H B， Young K L， et al， 2018. Monitoring Coastal Chlorophyll-a Concentrations in Coastal Areas Using Machine Learning Models[J]. Water， 10（8）：1020-1037.

Zhang D， Lavender S， Muller J P， et al， 2017. Determination of phytoplankton abundances （Chlorophyll-a） in the optically complex inland water-The Baltic Sea[J]. Science of The Total Environment， 601/602：1060-1074.

Zhang W， Li H， Xiao Q， et al， 2020. Urban rivers are hotspots of riverine greenhouse gas （N2O， CH4， CO2） emissions in the mixed-landscape Chaohu Lake Basin[J]. Water Research， 20：31159-31177.

（责任编辑   万月华）

Estimation of Chlorophyll-a Concentration in Chaohu Lake and Nanfei River

Based on Sentinel-2 Satellite Remote Sensing Imagery

SUN Shi‐ju1， XU Hao2， WU Yan‐lan1，3，4， WU Peng‐hai1，3， YANG Hui5

（1. School of Resources and Environmental Engineering， Anhui University， Hefei   230601， P.R. China;

2. Institute of Spacecraft System Engineering， Beijing   100094， P.R. China;

3. Anhui Geographic Information Intelligent Technology Engineering Research Center， Hefei   230601， P.R. China;

4. Anhui Laboratory of Information Materials and Intelligent Perception， Hefei   230601， P.R. China;

5. Information Materials and Intelligent Sensing Laboratory of Anhui Province， Institutes of Physical Science

and Information Technology， Anhui University， Hefei   230601， P.R. China）

Abstract： Chlorophyll-a concentration is an important water quality parameter， reflecting the pollution status of aquatic ecosystems. Quantitative inversion of chlorophyll-a concentration is useful for following water eutrophication status over time and is crucial for developing plans to improve eutrophic water bodies. In this study， Chaohu Lake and the lower reaches of Nanfei River and tributaries were selected for investigation. The temporal and spatial variation of chlorophyll-a concentration in the study area was analyzed using a chlorophyll-a concentration inversion model. It aimed to provide scientific evidence for intelligent and dynamic monitoring of the nutrient status of water in the Chaohu Lake basin. First， a depth neural network （DNN） model was constructed based on Sentinel-2 satellite remote sensing data from August 2 in 2018， December 27 in 2019， June 25 in 2020， November 2 in 2020 and November 13 in 2020， as well as field measurement data of chlorophyll-a concentration. The stability and applicability of the model was tested by reducing the training sets. The depth neural network （DNN） model constructed for this study had high inversion accuracy （R2=0.96， MRE=31.62%， RMSE=24.4 μg/L）. Analysis of the impact of reducing the training sample sets on DNN model accuracy shows that the model maintained accuracy with fewer training samples. Based on the number of sensitive model training samples， the training sets were divided into equal parts. To summarize， the model developed in this study displayed good stability and conditional applicability. After developing and testing the model， it was used to estimate chlorophyll-a concentrations in the study area and the average chlorophyll-a concentration ranges for spring， summer， autumn and winter were， respectively， 141-168， 175-195， 172-218 and 143-164 μg/L. The concentration of chlorophyll-a increased in summer and autumn and decreased in spring and winter. Spatially， chlorophyll-a concentrations were higher in the western lake and some nearshore areas， and lower in the eastern lake.

Key words：chlorophyll-a; satellite remote sensing; concentration inversion; Chaohu Lake; Nanfei River

收稿日期：2021-09-17      修回日期：2023-02-14

基金项目：国家自然科学基金（43971311）；安徽省科技重大专项（201903a07020014）。

作者简介：孙世举，1997年生，男，硕士研究生，研究方向为环境生态与资源管理。E-mail：2226093845@qq.com

通信作者：杨辉，1987年生，男，博士研究生，研究方向为深度学习遥感信息提取。E-mail：yanghui@ahu.edu.cn