基于MERIS數據的滇池葉綠素濃度時空變化(2003-2009年)及趨勢*

朱晶晶，陳 晉＊＊，王勝強，楊 偉，，松下文經

(1:地表過程與資源生態國家重點實驗室，北京師范大學，北京100875)

(2:日本筑波大學地球科學系，筑波305-8572，日本)

基于MERIS數據的滇池葉綠素濃度時空變化(2003-2009年)及趨勢*

朱晶晶1，陳 晉1＊＊，王勝強1，楊 偉1，2，松下文經2

(1:地表過程與資源生態國家重點實驗室，北京師范大學，北京100875)

(2:日本筑波大學地球科學系，筑波305-8572，日本)

基于多時相MERIS數據，本文對滇池葉綠素a濃度的時空變化趨勢進行了研究.以野外實測數據為基礎，對應用較好的三種葉綠素a濃度反演模型進行了驗證比較，通過精度評價和誤差分析選擇最優的三波段模型;將其應用到經過幾何糾正和大氣糾正等預處理后的MERIS數據系列，得到2003-2009年時間序列下的57幅滇池葉綠素a濃度分布圖.分析結果表明，在2003-2009年間，滇池葉綠素a濃度總體呈周期性波動緩慢上升趨勢，每年2-3月濃度最低，4-11月較快上升達到峰值，12-1月開始回落;空間分布上，葉綠素a濃度高值區多出現在滇池北部、岸邊帶等靠近城鎮的人口聚集區域，且濃度越高的季節，空間分布差異越顯著.

葉綠素a;時空變化;滇池;MERIS數據;三波段模型

近年來隨著各種污染物質的排放，內陸湖泊水體富營養化現象日益嚴重，直接影響到當地人民的生活和生產［1］.富營養化水體的典型表現是藻類物質的大量繁殖，而葉綠素a作為藻類的重要組成部分，其濃度常被作為表征水體富營養化程度的重要指標.傳統水質監測通過采集水樣、過濾、萃取以及分光光度計分析來測定葉綠素a濃度，雖然技術成熟、相對精度較高，但人力、物力消耗大，難以實現大區域的實時監測［2］.遙感技術作為一種區域性的調查手段，具有監測范圍廣、頻率高、成本低的優勢，為實時的大范圍水質動態監測提供了有力工具［3-4］.

遙感手段監測水質一般通過建立水體反射光譜與葉綠素a濃度之間的關系模型，從而反演葉綠素a濃度.就Ⅱ類水體而言，水體反射光譜除與葉綠素a濃度相關外，還受到水中其他組分如黃質、非浮游藻類懸浮物等的影響，使得葉綠素a濃度的反演精度相比Ⅰ類水體(海洋等)具有更大的不確定性［5］.許多學者對此作了大量研究，建立了各種模型來提高反演精度，如Neville和Gower提出的葉綠素熒光高度法模型［6］、形式簡單的兩波段模型［7］、Gitelson等提出的三波段模型［8］等，但這些算法往往具有一定的區域依存性，其參數需要根據研究水域的區域特征進行修正.遙感手段監測水質的另一個問題是現有傳感器的時空分辨率難以滿足實際工作的要求，如:LansatTM/ETM等數據空間分辨率較高(30m)，但時間分辨率偏低(16d);而MODIS雖然可以每日獲得數據，但其空間分辨率(250-1000m)又不能精細地刻畫水質的空間差異.為此，歐共體專門設計了面向水色遙感的傳感器MERIS(Medium Resolution Imaging Spectrometer，搭載于環境遙感衛星ENVISAT上)，使其同時具有較高的重訪周期(3d)和空間分辨率(300m)，極大地提高了Ⅱ類水體水質時空動態監測的能力［9］.但遺憾的是，MERIS數據在我國內陸湖泊的應用仍十分缺乏.

滇池作為云南省昆明市的重要水資源之一，近年來富營養化程度日趨嚴重.受數據和經費條件的限制，其葉綠素a濃度的時空動態規律和發展趨勢的掌握仍存在較大不確定性，直接影響到各種環境治理措施和政策的實施.因此，本文試圖通過野外實測數據構建一種適合滇池區域精度較高的葉綠素a反演模型，在此基礎上，利用多時相MERIS數據實現滇池多年多季相葉綠素a濃度分布制圖，并分析葉綠素a濃度的時空變化規律和發展趨勢.

1 研究區域與數據

滇池(24°50'N，102°41'E)位于云南省昆明市南端，面積約 300km2，平均水深為 4.3m，最深處為 11.3m.近年來，該湖4-11月均出現全湖性藍藻水華暴發，富營養化非常嚴重［10］.

為獲取實地水體反射率光譜和葉綠素a濃度數據，我們在2007年10月23日、2009年3月12日和2009年8月1-7日對滇池進行了三次野外觀測，采樣點數目分別是3、3、47個，共計53個.觀測項目包括水體光譜(光譜儀采集)和葉綠素a濃度(水樣實驗室內測定).同時收集了2003-2009年間所有覆蓋滇池且基本無云的MERIS1B影像(共57幅).其中對應于實地采樣日期有兩幅影像，分別是2007年10月24日(軌道29531)和2009年3月13日(軌道36774)，但影像獲取時間均晚一天.整體而言，受夏季云覆蓋影響，5-8月影像數據較少，而秋冬季數據(11-4月)較完備，其中2007年數據最全.

2 數據預處理

2.1 實測數據預處理

水體光譜采集時間為當地時間10:00-14:00點，使用美國ASD FieldSpec手持式光譜儀，采樣間隔1nm，波譜范圍325-1075nm.測量參數包括波長為λ時的離水幅亮度Lu(λ)、總的下行輻照度Ed(λ)、天空光漫射幅亮度Lsky(λ).恰好處于水面以上的離水遙感反射率Rrs(λ)(sr－1)，按照下式計算［11-12］:

式中，Cal(λ)是波長為λ時的標準白板的反射比;F(θ)是太陽天頂角為θ時的天空漫射光反射比，可通過氣-水界面的菲涅爾反射系數公式計算得到［13］.計算結果如圖1所示.為方便與MERIS數據對比，需將離水遙感反射率Rrs(λ)轉換為水體反射率R(λ)，可根據水面BRDF特征對Rrs(λ)進行半球空間積分得到［13］.

葉綠素a濃度在實驗室內用分光光度計方法測量［14］.首先用100%甲醇萃取葉綠素a(置于4℃黑暗環境下24h);將萃取后的葉綠素a置于UV-1700分光光度計上測量750、663、645、630nm的吸光度，則葉綠素a濃度［Chl.a］(μg/L)可通過下式計算得到:

式中，V甲醇是萃取葉綠素a的甲醇體積(ml);ODλ是UV測得的波長為λ(nm)時的吸光度;V水樣是水樣體積(ml).滇池53個樣點的葉綠素a濃度統計結果是:平均 值 80.72μg/L，最 小 值 22.98μg/L，最 大 值318.60μg/L，標準偏差 46.34μg/L，變異系數約為57.41%.

2.2 MERIS數據預處理

MERIS傳感器1B產品包含幾何糾正后的大氣層頂幅亮度和輔助數據(經緯度，太陽天頂角、方位角，觀測天頂角、方位角，DEM高程，風速，臭氧濃度，相對濕度等)［9］.首先，利用 MERIS數據處理軟件BEAM將大氣層頂幅亮度轉換為大氣頂層反射率，并進行投影轉換;然后，選擇一幅影像作為基準，對其他影像進行Image to Image的幾何配準.

圖1 實測水體遙感反射率光譜Fig.1 Measurements of remote-sensing reflectance just above the water surface

一般而言，水色遙感器接收到的總輻射中反映水體生物光學特征的信號僅占5%-15%，必須通過大氣糾正得到較準確的水體反射率影像［15］.我們采用暗水體法對滇池進行大氣糾正，該方法由Wang和Gordon于1994年提出，主要針對Ⅰ類水體［16］.它假設近紅外波段(＞700nm)水體輻亮度近似為0，衛星所接收到該波段范圍的輻射全部來自大氣效應;由此可推算出當地的大氣參數和氣溶膠糾正因子，進而對可見光波段的輻射值進行校正.滇池作為Ⅱ類水體，該假設無法成立;但滇池附近的撫仙湖為清潔的Ⅰ類水體，其大氣參數可通過上述方法求得.因而在假設大氣狀況在一定區域內穩定的前提下，先按照暗水體法求得撫仙湖的氣溶膠糾正因子，并外推至滇池區域，從而實現對滇池的大氣糾正.暗水體法基本原理如下:

到達衛星傳感器的總輻射能量，即波長為λ的大氣層頂輻射值Lt(λ)可描述為:

其中，Lr(λ)為大氣瑞利散射，La(λ)為氣溶膠散射，Lra(λ)為氣溶膠與大氣分子之間的多次散射，Lg(λ)為直射太陽光的鏡面反射，Lb(λ)為來自水體底部的反射，Lw(λ)為來自水體的輻射，t為水面到衛星傳感器之間的大氣衰減系數.由于傳感器在設計時一般都會避開鏡面反射角度，因此Lg(λ)項可以忽略;滇池的水深狀況可保證可見光不會到達水體底部，則Lb(λ)項可以忽略;若只考慮氣溶膠的單次散射效應，則可把La(λ)和 Lra(λ)合寫成 Las(λ).因而(3)式可簡化為:

將幅亮度L轉換成反射率ρ后，上式轉變為:

式中，瑞利散射反射率ρas(λ)和大氣衰減系數t可參照文獻的方法計算得到［17-18］;氣溶膠反射率的計算分步驟進行，首先引進波長 λi、λj的氣溶膠糾正因子 ε(λi，λj):

式中，ωa是氣溶膠單次散射反照度，τa是氣溶膠光學厚度，pa是氣溶膠散射相函數，i、j表示波長λ的波段序號，θ0、θ分別是太陽、衛星天頂角.一般情況下，氣溶膠散射相位函數與波長無關，氣溶膠單次散射反照度是波長的弱函數，而氣溶膠光學厚度隨波長而變［19］:

式中，α為混濁度因子;β是埃斯屈朗指數.由此(6)式可簡化為:

式中，n為待定常數，表示氣溶膠散射對波長的依賴性，可通過實際數據計算得到.

實際操作中，針對撫仙湖這一清潔水體，在假設近紅外波段水體輻亮度近似為0的前提下，選擇MERIS 12、13 波段(778.75、865nm)，利用式(5)、(8)計算這兩個波段下的氣溶膠糾正因子 ε(778.75，865)，進而求得待定常數n.然后以較長的13波段作為參考，計算出波長為λ時的氣溶膠糾正因子ε(λ，865)，并將ε(λ，865)外推應用到滇池水域，依照式(6)計算出滇池的氣溶膠反射率.然后利用式(5)從衛星信號中分離出滇池的水體反射率.

2007年10月24日和2009年3月13日滇池實測光譜數據中有6個樣點的采樣時間與MERIS衛星過境時刻基本一致(日期相隔一天).對所對應的MERIS數據進行大氣糾正得到水體反射率，并與實測光譜相比較(圖2).大氣糾正后的水體反射率光譜在形狀和數值上均與實測值很接近，各樣點的平均相對誤差(MRE)均小于30%，6個樣點的總體MRE為19.67%，在可以接受的精度范圍內.

3 葉綠素a濃度反演模型建立與驗證

3.1 模型構建

葉綠素a濃度的反演模型通過實測光譜數據和葉綠素a濃度建立回歸關系實現.首先將實測光譜采樣到MERIS波段;然后選擇三種常用且精度較高的葉綠素a濃度反演模型(葉綠素熒光高度法模型、兩波段模型和三波段模型)，分別建立其模型指數與葉綠素a濃度的回歸關系，選擇精度較高的模型作為本研究區葉綠素a濃度的反演模型.現地采樣點共計53個，隨機選取27個用于模型構建，剩余26個進行模型驗證.本文所用3種模型的一般表達式如下:

(1)熒光高度法模型:Index1=FLH(λ2)λ1－λ3，其中 λ2是熒光峰位置，λ1、λ3是其兩邊肩部位置，三者分別對應 MERIS 的 9、8、10 波段(708.75、681.25、753.75nm).

(2)兩波段模型:Index2=R(λ1)/R(λ2)，其中 λ1、λ2對應 MERIS 的9、7 波段(708.75、665nm).

(3)三波段模型:Index3=［R－1(λ1)－R－1(λ2)］×R(λ3)，其中 λ1、λ2、λ3對應 MERIS 的 7、9、10 波段(665、708.75、753.75nm).

3種模型的回歸關系式、決定系數R2和均方根誤差(RMSE)見表1.三波段模型精度相對于其他兩個模型更高，因此將其選作滇池葉綠素a濃度的反演模型，以［Chl.a］表示葉綠素a濃度(μg/L)，R(λ)表示波長為λ時的水體反射率，則該模型可表示為:

該模型的 R2為0.86，RMSE 為10.73μg/L，n 為53.

表1 熒光高度法、兩波段和三波段模型在滇池區域的比較*Tab.1 Comparison of FLH，Two-band and Three-band model in Lake Dianchi

3.2 模型驗證

利用滇池26個驗證樣點的實測數據對滇池三波段模型(式9)進行檢驗，結果表明總體RMSE為13.86μg/L(圖3a)，但在葉綠素a濃度高值區，模型有低估的趨勢.此外，我們也利用MERIS遙感數據對模型進行了驗證，以保證模型在遙感數據上應用的有效性.圖4對比了2007年10月24日和2009年3月13日6個樣點的葉綠素a濃度實測數據和MERIS數據反演結果，反演結果與實測濃度基本趨勢一致，總體RMSE為14.01μg/L，略大于直接使用實測光譜數據的誤差(圖3b)，但與滇池葉綠素a濃度范圍20-320μg/L相比，模型精度在可以接受的范圍內.

圖2 實測光譜與大氣糾正前后的光譜比較Fig.2 Comparison between measured and atmospheric-corrected water reflectance

4 結果分析

將所建立的葉綠素a反演三波段模型(公式9)應用到滇池MERIS系列數據上，計算得到2003-2009年57幅滇池葉綠素a濃度分布圖.具體流程為:1)對MERIS圖像進行幾何糾正、大氣糾正等預處理;2)根據每一個像元的水體反射率計算三波段指數，代入公式(9)計算得到葉綠素a濃度.

圖3 實測葉綠素a濃度與三波段模型預測值(a)和基于MERIS數據的模型反演值(b)比較Fig.3 Relationship between measured and estimated Chlorophyll-a concentration by three-band model with in-situ spectra(a)and by three-band model with MERIS data(b)

圖4 2003-2009年間滇池葉綠素a濃度變化Fig.4 Variation of chlorophyll-a concentration from 2003 to 2009 in Lake Dianchi

4.1 滇池葉綠素a濃度的時間變化趨勢

2003-2009年滇池全湖葉綠素a濃度平均值變化范圍約為 10-130μg/L，其中，2003、2007、2009年為相對高值年，2004、2005年為相對低值年(圖4).不同年份同一月份葉綠素a濃度的變化情況見圖5，受數據時間覆蓋的限制，這里只分析11-4月.總體而言，濃度越高，年際差異越顯著，較高濃度月份(11、12、1月)呈現周期性波動中上升趨勢.已有研究表明，藻類生長狀況是湖泊營養條件、溫度、光照、風及風浪等因素綜合作用的結果［20-24］.下面我們主要從營養條件和氣象因素角度分析滇池葉綠素a年際變化的原因.

昆明市環境監測中心的監測數據表明［20］，近二十年來，滇池的總氮、銨氮和總磷年均濃度呈波動式上升趨勢，而氮、磷是藻類生長的重要營養物質，這是導致葉綠素a濃度呈現上升趨勢的根本原因.而年際波動則主要受水溫及湖水量變化的影響，一般而言，水溫較高有利于藻類生長繁殖，而降水導致的湖水量增加則可以稀釋營養物質及藻類濃度.中國氣象局提供的數據表明:滇池流域年平均氣溫分別約16.50℃(2003年)、15.67℃(2004年)、16.68℃(2005 年)、16.38℃(2006 年)、15.64℃(2007 年)、15.42℃(2008 年)和 16.57℃(2009 年)，年降水量分別為833mm(2003 年)、1094mm(2004 年)、976mm(2005 年)、993mm(2006 年)、933mm(2007 年)、978mm(2008)和566mm(2009年).可以看出，2003-2009年間氣溫與降水量的匹配模式存在一定的差異，高溫少雨年(如2003、2009年)一般對應于葉綠素a濃度高值年，而低溫多雨年(如2004年)一般對應于葉綠素a濃度低值年.但這里2007年異常高值和2005年相對低值卻不能很好地從氣象要素的變化角度解釋.2005年的低值估計與該年度昆明市實施了入湖河流截污整治、湖濱帶生態恢復等多項工程有關，而2007年異常高值可能與該年度污染事故等原因導致入湖氮、磷量猛增有關.由于缺乏具體監測數據，上述推論仍需進一步考證.

2007年作為高值年且數據較完備，故進一步分析了其年內變化規律.滇池葉綠素a濃度在一年內呈現“降-升-降”的季節變化模式(圖6).其中，2、3月葉綠素a濃度最低，全湖平均值約為15μg/L;4-6月開始緩慢上升，達到40μg/L左右;9-11月達到較高值，約為103μg/L;12月開始下降，至2月降至最低濃度.這與觀測到的4-11月份間滇池處于藻類暴發期的事實基本一致［10］.

圖5 2003-2009年間滇池葉綠素a濃度不同月份變化Fig.5 Variation of chlorophyll-a concentration by the month from 2003 to 2009 in Lake Dianchi

圖6 2007年滇池葉綠素a濃度變化Fig.6 Variation of chlorophyll-a concentration in 2007，Lake Dianchi

上述季節變化模式與滇池氣候特點密切相關.滇池地處亞熱帶高原，屬冬暖夏涼性季風氣候，氣溫年較差小.低溫期出現在12-2月，月平均氣溫小于10℃;高溫期出現在5-9月，月平均氣溫約為20℃.但降水量年內分布不均，6-8月雨季集中了全年60%以上的降雨，而冬、春季降水較少.這種溫度與降水量的匹配模式決定了葉綠素a濃度的年內變化規律.高溫少雨月份(9-11月)不僅溫度適宜藻類生長繁殖，而且湖水量較少也有助于提高葉綠素a濃度;而對于低溫少雨月份(12-3月)，低溫則作為主要限制因子抑制了藻類生長繁殖.夏季月份(6-8月)雖然溫度適宜藻類生長繁殖，但降水導致的湖水量增加卻稀釋了葉綠素a濃度.總體而言，滇池葉綠素a濃度季節變化受溫度的影響更為顯著.此外，各月葉綠素a濃度也與前期月份藻類生長累積有一定關系，導致葉綠素a濃度變化具有漸變和時間后延的特點.

4.2 滇池葉綠素a濃度的空間變化趨勢

滇池2007年除5、7、8月外所有月份葉綠素a濃度的空間分布情況說明其具有明顯的空間分異和季節變化特點(圖7).2-3月，滇池處于全年水溫最低的時期，藻類生長不活躍，全湖除最北端的草海外大部分區域的葉綠素a濃度值均低于50μg/L(深藍色、藍色表示)，空間差異不顯著.4月開始，伴隨春季氣溫回升，藻類的生長開始活躍，全湖葉綠素a濃度逐漸升高，高值區由草海沿北部近岸水域逐漸向中部擴大.6月全湖葉綠素a濃度有所降低，這可能與降水帶來的湖水量增加稀釋了葉綠素a濃度有關.9-12月全湖整體濃度可超過100μg/L，且呈現由北向南、由西向東遞減的趨勢，中部、南部的個別區域也出現點狀高濃度區.我們進一步分析其他年份葉綠素a濃度的空間分布特點，所得到的規律與2007年基本相似，不同年份僅存在濃度高低差異.

圖7 2007年滇池葉綠素a濃度空間分布Fig.7 Spatial distribution of chlorophyll-a concentration in 2007，Lake Dianchi

上述空間分布特點與滇池周邊污染源分布密切相關，北部的草海由于靠近昆明市，接受了大量的生活和工農業污水，氮、磷等營養物質含量和水溫均偏高，且草海與南部的滇池外海區域連接的河口較小，水量交流緩慢，污染的凈化過程遲緩［10，24］，導致其一直是全湖氮、磷濃度最高的區域.而北部近岸帶(如海埂等)由于靠近昆明市，附近聚集著大量的旅游度假中心及村鎮，是污染物排放的重要地點，氮、磷等營養物質含量也較高，一旦溫度回升就會導致藻類大量繁殖［10，24］.西岸海口和南端的昆陽水域由于附近化工廠的排放濃度較高，也出現點狀分布的高值區.其他濃度較高的地點，則是由于季風作用導致藻類聚集形成的.理論上來說，一定強度的風浪可抑制藻類的堆積，但微風則相反.滇池流域雖處于多風地帶，但大風期多集中于冬春季，主導風向為西南風，9-12月風速較小，有利于藻類聚集于水體表層，并向西南部漂移，因而在湖濱地帶以及風力較小的灣內易成為葉綠素a濃度的較高值點［24］.

5 結論

本文基于野外實測數據構建了滇池葉綠素a濃度反演的三波段模型，并用實測數據和MERIS衛星數據進行了模型驗證;利用該模型和預處理后的MERIS水體反射率數據，對2003-2009年滇池葉綠素a濃度分布進行了制圖分析，得到如下結論:

(1)2003-2009年滇池全湖葉綠素a濃度呈周期性波動上升趨勢，具有明顯的年際變化和季節變化特點.每年2、3月濃度最低，全湖平均值約為15μg/L，且不同年份變化不大;4-6月濃度開始上升，達到40μg/L左右;而9-11月濃度則達到最高值(超過60μg/L)，最高值月份年際差異明顯;12月濃度開始下降，但依然處于較高水平，直至2月才降至較低濃度.

(2)滇池葉綠素a濃度空間分布亦具有明顯季節變化特征.2-3月，全湖大部分區域的葉綠素a濃度值較低，只有最北端的草海水域濃度較高.4-6月開始升高，且高值區由草海沿北部近岸水域逐漸向中部擴大.9-12月，全湖整體濃度較高，呈現由北向南、由東向西遞減的趨勢，中部、南部的個別區域也出現點狀高濃度區.

(3)滇池葉綠素a濃度的時空變化是湖泊營養條件、溫度、降水、風及藻類種類等因素共同作用的結果.年際和年內波動主要受溫度、降水等氣象因素控制;空間分布差異則主要受氮、磷等營養物質排放源的分布以及風速、風向的影響.

本文尚有以下不足:首先，MERIS數據時間覆蓋范圍不夠，多集中于秋冬春季節，導致夏季規律分析受到限制;其次，三波段模型估測葉綠素a濃度時存在低估情形.因此，提高三波段模型的估算精度以及考慮用其他衛星數據來增強數據的時間覆蓋率，將有助于全面、準確地掌握滇池葉綠素a濃度的時空動態規律和發展趨勢.

［1］Ayres W，Busia A，Dinar A et al.Integrated lake and reservoir management:World band approach and experience.Washington DC:World Bank，1996.

［2］Lorenzen CJ.Determination of chlorophyll and Pheo-Pigments:Spectrophotometric Equations.Limnology and Oceanography，1967，12(2):343-346.

［3］Dall'Olmo G，Gitelson AA，Rundquist DC.Towards a unified approach for remote estimation of chlrophyll-a in both terrstrial vegetatioin and turbid productive waters. GeophysicalReseach Letters， 2003， 30(doi:10.1029/2003GL018065).

［4］Kutser T，Metsamaa L，Strombeck N et al.Monitoring cyanobacterial blooms by satellite remote sensing.Estuarine Coastal and Shelf Science，2003，67:303-312.

［5］Gitelson AA，Schalles JF，Rundquist DC et al.Comparative reflectance properties of algal cultures with manipulated densities.Journal of Applied Phycology，1999，11(4):345-354.

［6］Neville RA，Gower JFR.Passive remote sensing of phytoplankton via chlorophyll fluorescence.Journal of Geophysical Research，1977，82(24):3487-3493.

［7］Gitelson AA，Keydan GP.Remote sensing of inland waters quality Measurements in the visible spectrum.Acta Hydrophysi-ca，1990，34:5-27.

［8］Gitelson AA，Dall'Olmo G，Moses W et al.A simple semi-analytical model for remote estimation of chlorophyll-a in turbid waters:Validation.Remote Sensing of Environment，2008，112(9):3582-3593.

［9］European Space Agency.MERIS Product Handbook，2006:10-28.

［10］Jin X，Wang L，He L.Experience and lessons learned brief for Lake Dianchi.2003:159-178.

［11］Lee Z，Carder KL，Mobley CD et al.Hyperspectral remote sensing for shallow waters.2.Deriving bottom depths and water properties by optimization.Applied Optics，1999，38(18):3831-3843.

［12］Mobley CD.Estimation of the remote-sensing reflectance from above-surface measurements.Applied Optics，1999，38(36):7442-7455.

［13］Dekker AG.Analytical algorithms for lake water TSM estimation for retrospective analyses of TM and SPOT sensor data.International Journal of Remote Sensing，2002，23(1):15-35.

［14］SCOR-UNESCO.Determination of photosynthetic pigment in seawater.Monographs on oceanographic methodology.France:In Paris，1966.

［15］Huot JP，Tait H，Rast M et al.The optical imaging instruments and their applications:AATSR and MERIS.ESA Bulletin，2001，106:56-66.

［16］Gordon HR，Wang M.Retrieval of water-leaving radiance and aerosol optical thickness over the oceanswith Sea WiFS:a preliminary algorithm.Applied Optics，1994，33(3):443-452.

［17］Selby JEA，Kneizys FX，Chetwynd JHJ et al.Atmospheric transmittance/radiance:computer code LOWTRAN 4.AFGLTR-78-0053，1978.

［18］Gordon HR，Brown JW，Evans RH.Exact Rayleigh scattering calculations for use with the Nimbus-7 Coastal Zone Color Scanner.Applied Optics，1988，27(5):862-871.

［19］?ngstr?m AK.On the atmospheric transmission of Sun radiation and on the dust on the air.Geografiska Annaler，1929，11:156-166.

［20］王紅梅，陳 燕.滇池近20a富營養化變化趨勢及原因分析.環境科學導刊，2009，28(3):57-60.

［21］Chen Y，Qin B，Teubner K et al.Long-term dynamics of phytoplankton assemblages:Microcystis-domination in Lake Taihu，a large shallow lake in China.Journal of Plankton Research，2003，25(1):445-453.

［22］李 原，張 梅，王若南.滇池的水華藍藻的時空變化.云南大學學報(自然科學版)，2005，27(3):272-276.

［23］萬 能，宋立榮，王若南等.滇池藻類生物量時空分布及其影響因子.水生生物學報，2008，32(2):184-188.

［24］Xing K，Guo H，Sun Y et al.Assessment of the spatial-temporal eutrophic chatacter in the Lake Dianchi.Journal of Geographical Sciences，2005，15(1):37-43.

Spatial-temporal variation of chlorophyll-a concentration in Lake Dianchi from 2003 to 2009 and trend analysis based on MERIS data

ZHU Jingjing1，CHEN Jin1，WANG Shengqiang1，YANG Wei1，2＆ MATSUSHITA Bunkei2
(1:State Key Laboratory of Earth Surface Processes and Resource Ecology，Beijing Normal University，Beijing 100875，P.R.China)
(2:Department of Geography，Tsukuba University，Tsukuba 305-8572，Japan)

Spatial-temporal variation trends of Chlorophyll-a concentration in Lake Dianchi were analyzed based on MERIS data.First，three popular retrieval algorithms of Chlorophyll-a concentration were calibrated by field measurements.It was found that three-band model was the best one with higher estimation accuracy.Then，the optimized three-band model was applied to 57 MERIS images from 2003 to 2009 which were pre-processed through geometric correction，atmospheric correction，etc.At last，a series of maps about Chlorophyll-a concentration distribution of Lake Dianchi were produced.The result showed that Chlorophyll-a concentration was rising slowly with a periodic fluctuation in Lake Dianchi.During a year，Chlorophyll-a concentration showed a decreasing-increasing-decreasing pattern，where the minimum appeared in February and March，and the maximum occurred within September and November.Regarding to spatial distribution，Chlorophyll-a concentration was higher at the edge and the north of Lake Dianchi，which are close to the Kunming city and small towns.In addition，the higher Chlorophyll-a concentration was，the more obvious the spatial variation was.

Chlorophyll-a;spatial-temporal variation;Lake Dianchi;MERIS data;three-band model

＊ 國家自然科學基金項目(40871162)資助.2010-09-17收稿;2010-12-06收修改稿.朱晶晶，女，1986年生，碩士研究生;E-mail:jingjingzhu.3@gmail.com.

＊＊ 通訊作者;E-mail:chenjin@ires.cn.