杭州湾及其邻近海域总悬浮物浓度卫星遥感*

叶小敏 王晓梅 邹 斌 王福涛

1（国家卫星海洋应用中心 北京 100081）

2（自然资源部空间海洋遥感与应用重点实验室 北京 100081）

3（中国科学院空天信息创新研究院 北京 100094）

0 引言

总悬浮物（Total Suspend Matter, TSM）是指悬浮在水中的固体物质，主要包括悬浮泥沙和浮游植物，是水质分类与评价的重要参数之一，直接影响水体光学性质。卫星遥感监测近海和海湾TSM 浓度研究主要集中在针对遥感载荷波段设置的反演方法或模型及其对应的大气校正方法[1-11]。例如Ma 等[6]和Tang 等[5]分别针对HY-1A 卫星CCD 和COCTS建立了黄东海的水色要素遥感反演模型；Zhang 等[10]建立了黄东海针对MODIS 的总悬浮物反演模型；He 等[9]利用地球静止卫星水色数据在杭州湾海区开展大气校正并获得了悬浮物的日间动力过程。杭州湾内水体具有高浑浊性，是典型的卫星遥感TSM 浓度的研究试验区。杭州湾水体的TSM 浓度卫星遥感研究，包括基于GOCI 的悬浮泥沙遥感反演[12]、基于OLCI 的悬浮物浓度估算及其数据适用性分析[13]、基于GF-1 卫星和GF-4 卫星的悬浮泥沙浓度遥感反演模型的构建[14,15]。针对单一遥感载荷，尤其是针对新型遥感载荷的反演研究较多，而多载荷遥感结果融合、反演结果长时序分析研究较少。

中国HY-1C 和HY-1D（HY-1C/D）卫星分别自2018 和2020 年发射以来，实现了全球海洋水色水温的遥感监测[16-18]。对于HY-1C/D 卫星的TSM 浓度遥感，Cai 等[19]利用HY-1C 卫星海岸带成像仪（Coastal Zone Imager，CZI）分析了舟山海域岛屿对TSM 浓度分布的影响。而对HY-1C/D 卫星水色水温扫描仪（Chinese Ocean Color and Temperature Scanner，COCTS）在杭州湾等近海的总悬浮物浓度遥感反演研究则仍存在研究空白。本文利用现场实测光谱和TSM 浓度数据，建立HY-1C/D 卫星COCTS 在杭州湾及其邻近海域的TSM 浓度卫星遥感反演模型，同时得到统一形式的COCTS，VIIRS，MODIS 和GOCI 等主要水色观测载荷的TSM 浓度反演模型公式，开展TSM 浓度多源卫星遥感与融合处理，分析杭州湾及其邻近海域TSM 浓度的长时序变化特征。

1 研究区域与数据源

杭州湾位于中国浙江省东北部，紧邻长江口，与舟山海域、北仑港海域相连，呈喇叭型。杭州湾是钱塘江入东海形成的喇叭状河口湾，因此其既是海湾又是钱塘江的入海口。杭州湾内的港口航道、滩涂及水产资源丰富，经济开发利用价值巨大。杭州湾及其邻近海域是典型的近岸海域，受人类活动影响较大且与人类关系密切，赤潮灾害频发。陆源污染、围填海工程和旅游观光等不仅给该海域的生态环境带来了较大的压力，也给当地渔业养殖带来了很大危害[20]。杭州湾是著名的强潮型河口，在强烈的潮流作用下，海湾内沉积物悬浮受强劲复杂的动力作用影响，水中悬浮物浓度很高[14]。

选择中国杭州湾及其邻近海域（28.5°—32.5°N，120.5°—125°E）为研究区，开展水体TSM 浓度多源卫星遥感反演研究。该研究区同时覆盖了长江口及其邻近海域。研究区地理位置及其遥感影像如图1 所示。

图1 研究区及其HY-1C 卫星海岸带成像仪遥感影像（2019 年11 月11 日）Fig. 1 Study area and remotes sensing image acquired by Coastal Zone Imager （CZI） on the HY-1C satellite （11 November 2019）

研究所用数据包括现场观测数据和卫星遥感数据，其中现场观测数据用于TSM 浓度的卫星遥感反演方法建模与精度检验，卫星遥感数据用于TSM 浓度遥感反演。

1.1 现场观测数据

现场观测的遥感反射比（Rrs）光谱数据和总悬浮物浓度数据，包括2003 年黄东海春季和秋季两个航次的观测数据，检验数据还包括2018 和2020 年HY-1C/D 卫星在轨测试、业务化定标与真实性检验航次部分观测数据。本文所用的总悬浮物浓度测量方法是采用大洋悬浮体测量的方法：使用滤膜的孔径为0.45 μm 的滤膜，用真空过滤装置对海水进行过滤，过滤结束后，用过离子水冲洗容器1 次，滤膜洗盐3 次，每次用蒸馏水50 mL。实验室称重称量天平采用精度为0.01 mg·L-1的电子分析天平。分析过程按规范进行，空白滤膜及悬浮体的称重进行了多次称量，前后2 次称重误差应在0.01 mg·L-1数量级以内[5]。实测数据点分布如图2 所示，该实测数据基本覆盖了杭州湾湾口及长江口外海域，在研究区内均有实测点分布且分布均匀。

图2 遥感反演建模所用实测点位置分布Fig. 2 Locations of in-situ measurements used for remote sensing retrieval modeling

图3 为图2 中各实测站位处遥感反射比实测曲线，图3 反射比光谱曲线差异明显，代表了这些站位水体光学特性有所差异，适用于水色要素遥感反演模型的建模。

图3 研究区内实测站点实测遥感反射比光谱曲线Fig. 3 Spectral curves of remote sensing reflectance at measured stations in the study area

1.2 卫星遥感数据

卫星遥感数据包括：HY-1C/D 卫星水色水温扫描仪（COCTS）数据，Suomi NPP 和JPSS-1 卫星VIIRS 数据，Aqua 和Terra 卫星MODIS 数据，COMS卫星GOCI 数据等。HY-1C/D 卫星COCTS 于国家卫星海洋应用中心海洋卫星数据分发网获取** https://osdds.nsoas.org.cn/#/** https://oceancolor.gsfc.nasa.gov/*** http://kosc.kiost.ac.kr。Suomi NPP 和JPSS-1 卫星VIIRS，Aqua 和Terra 卫星MODIS，COMS 卫星GOCI 等数据均于美国NASA海洋水色网址获取*** https://osdds.nsoas.org.cn/#/** https://oceancolor.gsfc.nasa.gov/*** http://kosc.kiost.ac.kr，其中部分GOCI 数据于韩国海洋卫星中心下载获取**** https://osdds.nsoas.org.cn/#/** https://oceancolor.gsfc.nasa.gov/*** http://kosc.kiost.ac.kr。本文所用数据源时空分辨率、实测时间范围和幅宽等信息见表1。

表1 卫星数据源信息Table 1 Satellite data source information used in this study

从表1 所列卫星数据源信息可见，各卫星载荷对地观测时空分辨率、在轨时间范围均有所差异。为满足研究区的TSM 浓度遥感，同时考虑到数据获取途径和资料处理的可行性和可靠性，COCTS 和GOCI 数据为辐亮度，开展其大气校正和TSM 浓度反演，大气校正方法及其云检测方法参照文献Ye 等[17]；VIIRS 和MODIS 数据为大气校正后的遥感反射比，直接使用本文所建的模型反演TSM 浓度。

2 总悬浮物浓度遥感反演方法

采用对实测光谱和TSM 浓度实测数据半经验分析的方法，建立TSM 浓度的遥感反演方法模型。各遥感载荷波段的等效遥感反射比通过下式计算获得：

式中，S（λ）为遥感载荷光谱响应函数，Rrs（λ）为实测光谱的遥感反射比。通过分析各遥感载荷的波段设置和特性情况，建立特征波段与TSM 浓度间的统计关系式，研究区内可利用实测数据共计67 组，位置分布如图2 所示。

2.1 HY-1C/D 卫星COCTS 遥感反演模型

由图2 观测站点位置（不同TSM 浓度）和图3 光谱曲线差异可见，对于HY-1C/D 卫星COCTS 的波段设置情况，在670 nm 处遥感反射比Rrs值差异明显，同时490 至565 nm 遥感反射比的斜率也存在明显的差异，由此可得由490，565 和670 nm 波段Rrs的组合并建立TSM 浓度的遥感反演模型，同时参考文献Tang 等[5]遥感反演公式结论，以中心波长为490，565 和670 nm 的波段建立HY-1C/D 卫星COCTS的杭州湾及其邻近海域的TSM 浓度遥感反演模型。由于HY-1C 和HY-1D 卫星COCTS 在该3 波段的光谱响应相近，因此采用同一公式计算TSM 浓度CTSM，具体如下：

以实测Rrs（λ）作为输入，该模型预测值与实测值对比散点如图4 所示，两者线性相关系数的平方R2=0.962，平均相对偏差16.9%。

图4 HY-1C/D 卫星COCTS 杭州湾及其邻近海域TSM 浓度遥感反演模型效果评价散点图Fig. 4 Scatter plot for evaluating of the TSM concentration remote sensing retrieval model of COCTS on the HY-1C satellite in Hangzhou Bay and its adjacent waters

2.2 GOCI，VIIRS 和MODIS 遥感反演模型

采用相同的方法，分析GOCI，VIIRS 和MODIS的波段设置及光谱响应特性。选用与COCTS 相近的波段，采用上文COCTS 适用的TSM 浓度遥感模型形式，分别建模得到GOCI，VIIRS 和MODIS 的TSM 浓度遥感反演公式。由于Terra 和Aqua 卫星MODIS 的波段响应特性基本相同，因此两星MODIS采用相同的TSM 浓度反演公式系数；SNPP 和JPSS-1 卫星VIIRS 的波段响应特性有所差异，则分别建立SNPP 和JPSS-1 卫星VIIRS 的TSM 浓度反演公式，其模型公式中系数所有差异。图5 为GOCI，VIIRS 和MODIS 在杭州湾及其邻近海域TSM浓度遥感反演模型效果评价散点图。建模相对误差结果显示GOCI，VIIRS 和MODIS 的TSM 浓度遥感反演模型精度均较高（见图5）。

图5 GOCI，VIIRS（SNPP 和JPSS-1 卫星）和MODIS 卫星载荷杭州湾及其邻近海域TSM 浓度遥感反演模型效果评价散点图Fig. 5 Scatter plot for evaluating the TSM concentration remote sensing retrieval models for satellite sensor of GOCI, VIIRS on the SNPP, VIIRS on the JPSS-1, and MODIS in Hangzhou Bay and its adjacent waters

对于COCTS，GOCI，VIIRS 和MODIS 等水色遥感载荷，选取的杭州湾及其邻近海域TSM 浓度遥感反演模型，可将其归纳为如下统一形式：

TSM 浓度反演公式为

对于每个遥感载荷，上述模型中的波段选择信息见表2。COCTS，MODIS，VIIRS，GOCI 等遥感载荷在杭州湾及其邻近海域TSM 浓度遥感反演模型公式系数和建模效果评价指标（线性相关系数和平均相对误差）汇总见表3。由表3 信息可见，COCTS，MODIS，VIIRS 和GOCI 等水色遥感探测器TSM 浓度遥感反演模型建模效果较好，相关系数R2均大于0.96，平均相对误差不高于19%。

表2 杭州湾及其邻近海域TSM 浓度遥感反演模型各传感器波段选择信息Table 2 Bands selection information of various sensors for the retrieval models of TSM concentration in Hangzhou Bay and its adjacent waters

表3 杭州湾及其邻近海域TSM 浓度遥感反演模型公式系数及其建模效果评价结果信息Table 3 The formula coefficients and modeling evaluation indicators of TSM concentration remote sensing retrieval models in Hangzhou Bay and its adjacent waters

3 卫星遥感数据总悬浮物浓度反演与融合

3.1 卫星数据遥感反演

卫星遥感数据处理包括针对遥感卫星数据进行辐射定标、云识别、水陆识别、耀斑识别等预处理后，进行大气校正获得多光谱遥感数据的Rrs,使用Ye等[17]的方法对COCTS 和GOCI 数据进行云识别、水陆识别、耀斑识别和大气校正等处理。VIIRS 和MODIS 卫星数据则直接采用NASA 戈达德太空飞行中心（Goddard Space Flight Center）海洋水色网站** https://oceancolor.gsfc.nasa.gov/获取的大气校正后的Rrs结果，然后利用前文建立的TSM 浓度反演模型计算得到研究区的水体TSM浓度，TSM 浓度遥感反演结果如图6 所示。

图6 杭州湾及其邻近海域TSM 浓度卫星遥感反演结果（观测日期：2021 年1 月13 日）Fig. 6 Remote sensing retrieval results of TSM concentration from satellites covering the Hangzhou bay and its adjacent sea area （acquired on 13 January 2021）

3.2 多源卫星遥感数据融合

为开展多源卫星遥感结果的融合，首先计算各卫星遥感CTSM反演结果间的偏差并开展其一致性分析[21]。偏差计算采用比值的形式表示，即

式中，上角ref 为参考载荷，一般选择精度较高的遥感载荷反演结果为参考载荷；i为待偏差校正的载荷。本文选用HY-1C 卫星COCTS 作为参考载荷。偏差校正后的遥感结果为

对于偏差比值缺失的网格点，则偏差校正后的遥感值为缺失（空白）值。TSM 浓度融合采用加权平均的方法进行融合，数据融合公式采用

式中，ns为参与融合的传感器数量总和；xi为每个传感器要素的输入值；θi为传感器数据存在的函数，即其值为1 代表融合数据源中存在该传感器数据，否则取值为0；wi为每个传感器数据在融合中所占的权重。在数据处理过程中，各传感器数据的不确定性和质量水平相当，因此各传感器权重因子均取值为1。

以图6 中各卫星遥感载荷反演得到的TSM 浓度结果为例，经一致性分析和数据融合所得结果如图7 所示。数据融合具有提高数据空间覆盖率的优势。以图6 和图7 所示数据为例，将MODIS/Terra，MODIS/Aqua，VIIRS/Suomi NPP，VIIRS/JPSS-1，COCTS/HY-1C，COCTS/HY-1D 和GOCI/CMOS共7 颗卫星遥感载荷观测的TSM 浓度进行融合，得到该区域当天的TSM 浓度融合结果，其数据覆盖率为97.49%，该覆盖率相对于单星观测数据覆盖率均有所提高（见图6 和图7）。

图7 2021 年1 月13 日杭州湾及其邻近海域TSM 浓度多源卫星遥感融合结果Fig. 7 Merged TSM concentration from multi-source satellite remote sensing results in Hangzhou Bay and its adjacent waters on 13 January 2021

3.3 卫星数据遥感结果精度评价

利用实测TSM 浓度对遥感反演结果进行评估，评估指标包括线性相关系数R和相对偏差EUPD，计算公式如下：

式中，N为匹配数据组的数量，Xi和Yi分别为待验证和作为真值的验证数据。

利用2018 和2020 年两个航次实测数据对融合TSM 浓度结果进行精度验证，共匹配获得5 组数据（2018 年4 组，2020 年1 组），匹配点位置见图8 所示。检验结果对比散点图见图9。TSM 浓度遥感融合结果与实测数据对比，两者线性相关系数R=0.72，平均相对偏差EUPD=26%。

图8 杭州湾及邻近海域TSM 浓度精度评估匹配点位置分布Fig. 8 Locations of matching points for TSM concentration accuracy evaluation in Hangzhou Bay and its adjacent waters

4 卫星遥感总悬浮物浓度变化趋势与空间分布

利用本文方法获得2015 年1 月至2022 年12 月长时序TSM 浓度卫星遥感与融合结果，使用一元线性回归的方法分析研究区的变化趋势特征。变化趋势分析所使用的数据为卫星遥感反演并融合之后，再进行平均统计的月平均数据。采用一元线性回归分析方法，计算每个网格点的变化速率，得到研究区海域的要素趋势变化分布。对研究区内每个分辨单元内的TSM 浓度做时间序列的一元线性回归，得到其时序变化率（见图10）。

图10 杭州湾及其邻近海域遥感TSM 浓度变化趋势（平均年变化率）分布（黑色区域有效遥感观测数据不足80%）Fig. 10 Distribution map of TSM concentration change trend （average annual change rate） in Hangzhou Bay and its adjacent waters （The black area in the figure represents the percentage of effective remote sensing data is less than 80%）

研究区内，包括杭州湾、远离海岸的绝大部分海域TSM 浓度基本保持不变（图10 中白色区域）或变化不大（年变化率不超过年平均值的0.5%）。长江口和杭州湾口，以及水陆交界邻近海域表现为降低的变化趋势。但在靠近长江河口和钱塘江河口等近岸区域（图中黑色区域），由于卫星遥感数据缺失较严重（用于统计分析的数据缺失超过20%），其结果可信度较低，未开展相关变化趋势统计。

在研究区内选择5 个典型位置的站位A～E，分别位于杭州湾、长江口和三个离岸较远的区域，5 个站位位置信息分别见表4，站位A～E 地理位置分布情况如图11 所示。

表4 TSM 浓度变化分析站点位置信息Table 4 Location information of the sites for TSM concentration variation analysis

图11 TSM 浓度卫星遥感数据2020 年平均分布及分析站位位置分布Fig. 11 Average distribution map of TSM concentration remote sensing data in 2020 and the location distribution of analysis sites

以上表中站位为中心，在边长为0.10°的正方形内对月平均TSM 浓度数据进行取值，将获得的该空间范围内的TSM 浓度作为该月份的TSM 浓度值，对2015—2022 年每月数据进行时间序列分析，得到该位置处的TSM 浓度时间变化规律。站位A～E 的TSM 浓度时序变化曲线如图12 所示。

由图12 可见，A～E 位置处TSM 浓度均呈现明显的周期性变化规律，且周期为12 个月，A 站位（杭州湾）还存在6 个月周期。A～E 位置均具有明显的年内季节变化，11 月至次年1 月TSM 浓度值最高，6 月至9 月TSM 浓度最低，这和该海区长江、钱塘江入海河流枯水期和丰水期等时间变化规律一致。A 位置（杭州湾）处TSM 浓度年内季节变化相对于其他区域周期规律性较弱，可能是杭州湾内悬浮物浓度较高，受自身水动力环境影响较大，入海的钱塘江径流量对湾内悬浮物浓度的影响占比降低。空间分布上（见图11），杭州湾和长江口等靠岸海域TSM 浓度值最大，A 位置处（杭州湾）月平均最高达50 g·m-3，最低约20 g·m-3；B 位置处（长江口）月平均最高达60 g·m-3，最低约10 g·m-3；研究区东南位置（E 站位）TSM 浓度最低，最低达0.2 g·m-3，最高1.6 g·m-3。在高浑浊的近海海域，长江口海域TSM 浓度年内季节差异性最大，杭州湾TSM 浓度整体较高，季节性差异（相对于长江口海域）相对较小。

5 结论

杭州湾、长江口等近海区域的TSM 浓度变化除了受入海河流径流量等因素影响而存在较强的季节性变化、海域开发以及人工设施影响外，在近海海域还存在由于潮汐作用而导致的日内变化，对于此类条件下的TSM 浓度监测，则需要利用地球静止轨道水色卫星开展逐小时的高时间分辨率遥感。

基于杭州湾及其邻近海域航次实测的TSM 浓度和光谱信息数据，建立了中国海洋水色卫星HY-1C/D 卫星COCTS，Suomi NPP 和JPSS-1 卫星VIIRS，Aqua 和Terra 卫星MODIS，COMS 卫星GOCI 等卫星载荷的TSM 浓度遥感反演模型，模型精度平均相对误差不高于19%。使用本文建立的TSM 浓度遥感反演的局地模型，经遥感反演和融合得到了这些卫星遥感载荷在杭州湾及其邻近海域总悬浮物的遥感反演数据集。遥感融合结果经与实测数据对比验证，两者线性相关系数为0.72，平均相对偏差为26%。2015—2022 年卫星遥感结果表明杭州湾及其邻近海域总悬浮物浓度年际变化不大，其线性变化量不超过其年平均浓度值的0.5%。

利用包括HY-1C/D 卫星COCTS 等的海洋水色遥感载荷，可有效遥感反演得到杭州湾及其邻近海域的TSM 浓度并可分析其时间变化特征。然而如需要获得更高时空分辨率的TSM 浓度等海洋生态环境要素，则需发展地球静止轨道海洋水色卫星和更高时空分辨率、高性能的海洋生态环境遥感监测卫星。在中国海洋水色卫星方面，规划了发展新一代海洋水色观测卫星、高轨海洋与海岸带环境监测卫星，其将搭载更高时空分辨率和更高性能的极轨卫星及地球静止轨道海洋水色环境遥感载荷，TSM 浓度遥感反演模型将为未来海洋水色卫星建设提供参考。