基于GOCI影像的長江口及其鄰近海域CDOM遙感反演及其日內變化研究

孫璐，蔣錦剛，朱渭寧*

(1.浙江大學 海洋學院 海島海岸帶研究所，浙江 杭州 310058)

基于GOCI影像的長江口及其鄰近海域CDOM遙感反演及其日內變化研究

孫璐1，蔣錦剛1，朱渭寧1*

(1.浙江大學 海洋學院 海島海岸帶研究所，浙江 杭州 310058)

采用靜止軌道海洋水色衛星(GOCI)數據對長江口及其鄰近海域有色溶解有機物(CDOM)反演。以QAA-CDOM算法為基礎，根據實測數據，利用BP神經網絡模型來擬合QAA-CDOM算法中需要針對長江口水體進行優化的懸浮顆粒后向散射系數bbp與吸收系數ap的關系，從而準確估算CDOM的濃度。結果表明，反演結果準確度較高，平均相對誤差為0.35。基于GOCI日內連續成像的優勢，選取2014年3月15日8景GOCI影像，利用優化后的QAA-CDOM-BP算法，對長江口及其鄰近海域CDOM的日內變化進行反演和分析，得到的變化規律如下：長江口及其鄰近海域的CDOM日變化主要受潮流、長江徑流等共同影響。長江口內CDOM濃度在漲潮期高于退潮期，由于受長江沖淡水的作用，CDOM從口外往外海區呈現逐漸遞減趨勢。

GOCI影像; 長江口; CDOM; QAA-CDOM算法；BP神經網絡; 日變化特征

1 引言

有色溶解有機質(Colored Dissolved Organic Matter，CDOM)又稱黃色物質，是存在于各種水體中的一類含有腐殖酸、富里酸和芳烴聚合物等物質的可溶性有機物，能夠反映水體的性質組成[1]，經常被用來作為一種有效的示蹤物，推斷水生環境中溶解有機碳(DOC)的空間分布[2]。CDOM也是溶解有機物(DOM)的光敏部分[3-5]，因此利用遙感技術探察CDOM在大尺度上的時空分布可以為研究水生生態環境變化及有機碳循環提供一種有效手段[6-7]。近岸海域水體中CDOM的濃度主要受河流輸入、浮游動植物、細菌和沉積物的影響。研究表明近岸CDOM的來源主要分為陸源和海源兩大類，前者由陸地植物腐爛分解后隨徑流輸入為主，后者主要以海水中浮游植物等微生物的降解產生[8]。長江口及鄰近海域受潮汐活動、陸源徑流輸入等因素的強烈影響，加上特有的物理、化學條件，例如河口區特有的最大渾濁帶中泥沙含量常常高于上下游河段幾倍以至幾十倍[9-10]，使河口海岸區域的CDOM的遷移降解過程更加復雜[11]。

GOCI(Geostationary Ocean Color Imager)作為世界上第一顆旨向海洋水色觀測的靜止衛星，設計用于提供高頻率的影像覆蓋，以提高海洋的觀測能力。GOCI共有8個可見光及近紅外波段(412 nm, 443 nm, 490 nm, 555 nm, 660 nm, 680 nm, 745 nm , 865 nm)[12]，空間分辨率為500 m，時間分辨率高(每小時更新一次)，可用于實時連續觀監測海洋和沿海地區的水質。每天獲取8景影像，數據幅寬為2 500 km×2 500 km，其覆蓋范圍包括韓國、中國、日本以及俄羅斯的海域。GOCI數據的出現為復雜區域水質的日循環變化研究帶來了機遇。目前學者利用GOCI對葉綠素和懸浮泥沙這兩種水色成分的研究較多，江彬彬等[13]以杭州灣及鄰近海域為例反演了近岸懸浮泥沙濃度;郭宇龍等[14]發現GOCI對葉綠素三波段算法具有更高的穩定性和精度；Huang等[15]研究了太湖藻類逐時動態變化特征。利用GOCI對CDOM反演的研究還鮮有報道，以往的CDOM反演模型多為基于波段比的經驗模型[16-17]，且反演精度較其他水色物質相對較低，如MODIS算法基礎手冊中提及該算法誤差估計在35%～50%之間[18]，而在復雜區域，CDOM反演的難度會更大。近期提出的QAA-CDOM反演算法在北美等地的河口海岸地區已經有了一定的反演效果，但是其在長江口地區的適應性及其是否可用于GOCI影像尚未有深入的研究與驗證。

本研究以GOCI為遙感數據源，采用6S大氣校正技術，開展了以下3個方面研究：(1)基于BP神經網絡模型優化QAA-CDOM算法，使之適用于長江河口及海岸帶區域；(2)將QAA-CDOM-BP模型應用于GOCI數據，對研究區域的CDOM進行遙感反演；(3)從得到的小時級分辨尺度的CDOM反演結果，并結合該海域水動力環境解譯長江口CDOM來源，分析長江口及鄰近海域的CDOM分布規律及其環境影響因素。

2 材料與方法

2.1 研究區域概況

長江是我國最長的河流，其平均入海徑流量約9.28×1011m3/a，占東海總徑流量來源的84.4%[19]。長江口海區位于亞熱帶區域，屬中緯度季風區，北面受蘇北沿岸流的影響，東部有黑潮水與之交換，南面有臺灣暖流上朔，西側有長江、錢塘江等河流的輸入，同時還受到上升流的影響，是我國乃至世界上最復雜的陸架海區之一[20]。

2.2 數據的獲取

2.2.1 樣品的采集與前處理

本研究的水樣采集時間是2個長江口航次(2011年5月和2012年4月)，水樣采集區域位于30°17′～31°32′N，121°21′～122°57′E(圖1)，標注點的光譜曲線見圖2。每個采樣點現場采集水樣后保存于經過同站位海水潤洗過的棕色玻璃瓶中，以盡量減小容器對樣品的污染。將水樣置于120～140 mmHg的負壓下，用經過酸和Milli-Q水處理過的0.2 μm的聚碳酸脂濾膜(事先用體積分數10%的鹽酸浸泡15 min后，再用Milli-Q水充分淋洗進行過濾，濾液置于60 mL棕色玻璃瓶(預先于450℃下灼燒5 h)中。為避免水樣發生光化學降解反應，所有濾液避光冷凍儲藏并帶回實驗室處理。

圖1 采樣點分布示意圖Fig.1 Sketch map of sampling point distribution

實驗使用數據為2011年5月30條實測數據，2012年4月33條實測數據，共63條實測數據。野外實測光譜數據采集使用的是由美國分析光譜儀器公司( Analytical Spectral Devices)的ASD光譜儀(ASD Field Spec)，光譜采集方法為二類水體水面光譜測量法[21]。圖2為選擇不同類型水體水表面光譜曲線，所選樣點的位置在圖1標記。

圖2 不同水體的遙感光譜Fig.2 Remote sensing spectra of different water bodies

2.2.2 CDOM的吸收光譜

測量前, 樣品置于避光處升至室溫。采用島津UV-2550雙通道紫外-可見分光光度計進行測定，使用10 mm的石英比色皿，以Milli-Q水作為參比，掃描波長范圍380～890 nm, 掃描間隔1 nm。根據儀器得到樣品的吸光度值，利用式(1)計算得到CDOM的吸收系數a(λ)[22-23]:

a(λ)=2.303D(λ)/L,

(1)

式中，L為比色皿光程(m)；D(λ)為儀器測定的CDOM吸光度。所有波長處的D(λ)通過減去683～687 nm處的平均吸光度來去除儀器的基線漂移和散射等影響[24]。

由于CDOM的溶解性及其在化學成分上的復雜性，CDOM的濃度通常用其光學屬性，即吸收系數(一般為443 nm處)表示。

2.3 影像數據

本文采用的GOCI數據通過官方網站(http://kosc.kiost.ac) 下載，選擇2014年3月15日08時28分至15時28分的8景GOCI影像，對影像進行輻射定標、幾何校正、大氣校正等操作。大氣校正采用6S大氣校正算法。前人研究表明[25]，當太陽天頂角小于50°時，各大氣參數變化幅度較小；當太陽天頂角大于50°時，藍光波段角度引起的相對偏差迅速升高，而其他波段在太陽天頂角大于60°時相對偏差才開始迅速升高，這是因為渾濁水體在這些波段的高反射率引起的。長江口2014年3月15日不同時刻太陽天頂角度數，9:28至14:28的太陽天頂角度數小于50°，8:28與15:28時刻太陽天頂角小于60°，所引起的相對偏差不大。

3 基于實測遙感反射率的反演模型建立

3.1 CDOM神經網絡反演方法

表1 QAA算法的具體步驟

續表1

注：Rrs(λ)表示水表遙感反射率(在特定波長λ處，下同)；rrs(λ)表示水面下遙感反射率；a(λ)表示水的總吸收系數；aw(λ)表示純水的吸收系數；bbp(λ)表示顆粒物后向散射系數。

圖3 QAA算法反演驗證結果Fig.3 Results of QAA algorithm inversion verification

QAA_v6的ag(443)計算方法認為ag(443)的吸收與412波段和443波段的總吸收變化段存在關系，也有學者認為ag(443)與bbp(555)存在相關，并提出QAA-CDOM擴展算法。本文的建模思路選擇Zhu等[27-28]的QAA-CDOM擴展算法進行建模。

QAA-CDOM估算CDOM吸收有兩個步驟：第一步是利用QAA估算的后向散射系數bbp(555)推算浮游植物和非藻類顆粒物的吸收系數之和ap(443)；第二步是從QAA估算的水體總吸收系數中減去第一步估算的ap(443)，從而獲得CDOM的吸收系數ag(443)，具體步驟與公式見表2。此外，雖然浮游植物等生物性顆粒與泥沙礦物等無機顆粒物的吸收與反射特征有差異，但是以往的研究表明，在將兩者合并為總懸浮顆粒的情況下，ap(443)和bbp(555)有一定程度的相關性[24,28]，因此可以用來估算CDOM的吸收ag(443)。

目前為止，還沒有相關文獻做有關QAA等半分析算法在長江口的優化與應用。考慮到QAA算法使用了更多的數據來開發和驗證，因此本研究采用了QAA_v6算法及其各參數來計算bbp(555)、a(443)等變量，后續計算使用QAA-CDOM算法將ag從adg中分離出來。第一步推算ap(443)的過程中需要使用兩個參數J1和J2，但是由于長江口河口區最大渾濁帶中泥沙含量常常高于上下游河段幾倍以至幾十倍,而泥沙懸浮物對后向散射占很大比例的影響，原模型提供的J1和J2[28]的數值主要是根據墨西哥灣的水體擬合的，可能并不適用于長江口(步驟8)，因此相應參數使用本研究現場采集的數據進行了優化調整使模型更適用于長江口水域。本研究使用BP神經網絡建立ap(443)和bbp(555)的之間的反演模型。

表2 QAA-CDOM的擴展算法：計算ag(443)

注：ag(λ)表示CDOM的吸收系數；ad(λ)表示非藻類顆粒物吸收系數；aph(λ)表示浮游植物吸收系數；ap(443)是aph(443)與ad(443)之和。

圖4 QAA-CDOM算法框架示意圖Fig.4 Schematic diagram of QAA-CDOM algorithm framework

3.2 QAA-CDOM-BP神經網絡結構

BP神經網絡結構是一個多層網絡結構。多層BP網絡不僅有輸入節點、輸出節點，而且還有一層或多層隱節點，各層之間的傳遞函數一般為S型函數，形式如下：

(2)

誤差函數，對第p個樣本誤差計算公式為

(3)

式中，tpi、opi分別為期望輸出和網絡的計算輸出。

BP神經網絡模型是一種有教師指導訓練方式的反饋神經網絡，它是通過信號的正向傳播和誤差信號的逆向傳播修改權值和閾值的過程反復進行，直到整個訓練樣本集的網絡輸出誤差滿足一定的精度要求或達到設定的訓練次數為止。本項研究的神經網絡模型的拓撲結構形式如圖5所示。

圖5 神經網絡模型的拓撲結構Fig.5 Topological structure of neural network model

3.3 網絡訓練

由于利用人工神經網絡方法必須對網絡進行大量的訓練，既要保障有足夠的樣品用于神經網絡學習辯識傳遞函數，又要綜合考慮節點數和實際要求[29]。而實測樣本中CDOM吸收ag(443)范圍為0.025～0.53 m-1，范圍較窄，不能涵蓋區域內吸收系數較高的點。因此本研究的訓練樣本選用實測數據(57組)和IOCCG(The International Ocean Colour Coordinating Group)提供的模擬數據(57組)，共有114組，其中IOCCG數據中CDOM吸收ag(443)范圍為0.028～1.97 m-1。

基于ap(443)與bbp(555)之間物理相關性，將ag(443),a(443),aw(443)作為網絡的輸入數據，分為兩組，其中約2/3數據(76組)作為訓練樣本集，剩下的數據(38組)作為驗證樣本集。

3.4 神經網絡反演結果及比較

為方便比較QAA-CDOM-BP算法，MOON算法和YOC算法3種算法的反演效果，使用平均絕對百分誤差(MAPE)和均方根誤差(RMSE)作為對模型的評價標準。MAPE和RMSE的計算公式分別為:

(9)

(10)

式中，xmod為估算值，xobs為真實值，n為樣本量的個數。

圖6 BP神經網絡訓練結果(a)和驗證結果(b)Fig.6 Results of BP neural network training(a), and verification results (b)

圖7 Moon算法驗證結果(a)和YOC算法驗證結果(b)Fig.7 Results of Moon algorithm verification(a), and results of YOC algorithm verification(b)

通過反復訓練和用已知數據來進行仿真驗證計算，確定最終控制參數值，用以整個圖像的神經網絡計算。圖6給出了用于神經網絡計算的訓練結果和驗證結果。從圖中可以看出，訓練結果精度較高，CDOM吸收系數ag(443)訓練結果的值略小于實測值，但整體上適用于長江口高渾濁水體。

GDPS(GOCI Data Processing System)歸納收錄的CDOM的算法有兩種，一種是基于波長412 nm和555 nm遙感反射比進行計算[30]，表達如下:

(4)

式中，c1=0.204 7,c2=-1.335 1。

另外一種是適用于我國黃、東海的YOC水色算法[31]，表達如下:

(5)

(6)

式中，c1=-0.99，c2=0.178 1，c3=2.18，c4=0.059。

圖7為Moon算法與YOC算法的驗證結果，驗證樣本數據集與驗證BP神經網絡訓練結果的數據集為同一數據集。從結果看，這兩種算法對于反演低濃度CDOM的能力尚可，但當ag(412)大于0.5后，Moon算法存在明顯的高估現象，而YOC算法存在明顯低估現象，且其反演結果不能拉開濃度梯度。

雖然沿岸水體中含有高濃度懸浮物時,懸浮物對后向散射光譜的影響占主導作用，對葉綠素和CDOM光譜的影響較大，從而減弱了CDOM與后向散射光譜之間的相關性，最終影響算法在二類水體的反演精度。但從總體上看，BP神經網絡算法對CDOM吸收系數的反演是較為準確的，且該算法優于Moon算法與YOC算法。

4 基于GOCI數據的CDOM反演

4.1 GOCI影像大氣校正效果分析

本項研究使用的大氣校正模型為6S模型，校正需要輸入以下參數:遙感器類型、成像年月日和經緯度、氣溶膠濃度及類型、輻射條件、觀測波段和海拔高度、地表覆蓋類型和反射率等。此次大氣校正的氣溶膠光學厚度使用了MODIS AOT產品。根據長江口地理位置以及成像時間，確定氣溶膠模式為中緯度冬季，氣溶膠類型選擇為大陸型氣溶膠。6S模型輸出的是大氣校正參數xa、xb、xc，可以根據這3個參數計算得到大氣校正后的反射率。如式(7)、式(8)所示。

y=xa×Li-xb，

(7)

ρ=y/(1+xc×y).

(8)

為了檢驗大氣校正的效果，采用2012年4月26日的6個點位的實測Rrs數據模擬GOCI波段與相對應大氣校正后GOCI影像上6個采樣點位數據進行比較分析，圖8為實測遙感反射率值與衛星影像8個波段的遙感反射率值散點圖。

通過分析發現，經6S大氣校正后的遙感影像Rrs值與實測Rrs值比較接近，各個波段的平均相對誤差分別為21.1%、13.8%、11.5%、12.3%、16.5%、14.7%、42.8%、86.4%。本文所應用的波段為B2、B3、B4、B5、B6，其平均相對誤差均小于16.5%，避開使用平均相對誤差較大的B1、B7、B8這3個波段的Rrs。結果表明實測Rrs與大氣校正后的GOCI影像Rrs相差較小，證明GOCI影像經過6S大氣校正處理后的精度能夠滿足CDOM反演的要求。

圖8 實測Rrs與GOCI影像Rrs對比Fig.8 Comparison of measured Rrs and derived Rrs by GOCI images

4.2 GOCI影像算法效果分析

2012年4月26日的衛星數據與地面6個樣點數據匹配，為實測樣點與GOCI的同步數據，采樣點的參數如表3。因此，利用該天的GOCI影像數據，對反演結果進行評價。首先，選擇與采樣時間相近的GOCI影像進行CDOM吸收系數反演，其次，根據實測的CDOM吸收系數與反演結果進行對比分析。圖9為6個樣點影像反演的評價結果，總體上看，GOCI影像反演結果與實測結果相近，各個采樣點的相對誤差為0.25～0.44，6個點的平均相對誤差為0.35，說明QAA-CDOM-BP模型適用于GOCI影像的CDOM的反演。

表3 2012年4月26日采樣時間及對應影像數據

圖9 2012年4月26日影像CDOM反演評價結果Fig.9 Evaluation results of CDOM inversion in April 26, 2012

4.3 CDOM濃度分布及日變化研究

4.3.1 CDOM空間分布規律

本項研究基于QAA-CDOM-BP模型，反演了2014年3月15日8景GOCI影像，分析長江口及鄰近海域CDOM的日變化特征，結果表明，7：08至12：04為漲潮期，12：04至19：44為退潮期。從GOCI影像中可以看出，在漲潮期間，CDOM空間分布為長江口內北支高于南支濃度，北支濃度與口外接近；而在退潮期間，北支CDOM吸收系數明顯下降，且低于口外CDOM吸收系數，南港、北港的CDOM吸收系數也出現逐漸下降現象。

從長江口外的整體趨勢看，由于長江沖淡水的作用，CDOM往外海區呈現逐漸遞減的趨勢。為了直觀顯示長江沖淡水對長江口及其鄰近區域的影響，選取了沿南槽出口水流切線方向的一條數據線進行繪圖(選擇的線段見圖10a)，所選研究區域為從南槽口起，沿東南方向約26°的條帶。對不同時間段的結果進行對比分析，圖11顯示了CDOM吸收系數ag(443)離河口距離的變化趨勢。從圖中可以看出，南槽口附近CDOM吸收系數明顯高于外海，且退潮期間河口附近CDOM吸收系數較漲潮期也有一定升高，其中14:28南槽口CDOM吸收系數達到最高。南槽口CDOM吸收系數有2個峰值處，一方面可能是沖淡水與海流的交匯造成，另一方面在舟山群島附近濃度較高，之后向外明顯降低，這與前人研究結果相似[32]。根據經濟狀況推測應該與舟山群島的人類活動有關，嵊泗島是著名的旅游區，舟山群島的人類活動所產生的水體污染也可能是該區域CDOM的來源。

4.3.2 CDOM空間差異性原因分析

對于長江口及鄰近海域CDOM的來源主要可分為兩類：(1)主要由江河徑流攜帶而來的近岸地表徑流的陸源輸入。其中，黃浦江出口位于A2樣點附近(圖1)，CDOM濃度較高。黃浦江的水質以氮磷營養物為主，總磷、總氮和氨氮對水質的影響最大[33]，水體中含有較高濃度的污染物，其中許多是黃色物質的來源。因此黃浦江的匯入作為陸源輸入貢獻了一大部分的CDOM。(2)對于遠離陸地的外海區，受海水的混合稀釋作用影響，江河攜帶的有機物質大大減少，主要由海洋浮游植物有機體化學降解而形成[34]，使得CDOM濃度總體偏低[35]。

總體上看，長江口CDOM濃度低于世界上大部分的主要河口，這與前人的研究一致[36-37]。相比于全球各大河流流域，長江流域可能由于在過去幾十年里快速的城市化[38-39]，植被覆蓋較低，導致土壤有機質含量相對較低，因此長江口CDOM的濃度較低。此外，高濃度的懸浮物阻礙了光穿透水體，限制了上層浮游植物的光合作用。因此，在河口水域從光合作用中獲取的水源CDOM明顯減少[40]。

圖10 2014年3月15日全天長江口及鄰近海域CDOM遙感反演Fig.10 CDOM remote sensing inversion of Changjiang Estuary and its adjacent sea area in March 15, 2014

圖11 CDOM水平面離河口距離變化趨勢Fig.11 Variation trend of CDOM horizontal distance from estuary

由于海水與淡水的混合稀釋，CDOM的濃度梯度從長江口往外海區呈現沿西北-東南方向降低的趨勢。且隨著離河口距離的增加，長江徑流減弱，出現了濃度梯度[40]。長江徑流占流入東海總水量的80.5%[41]，大量淡水入海，北港水道的CDOM則主要源于長江徑流[42]，同時也為長江口附近水體帶來了一定的陸源輸入。南槽是長江的主要泄水通道，因而南槽水體受到黃浦江水體的影響比北港大[43]。杭州灣北岸與長江口毗鄰，杭州灣是一個典型的“喇叭型”的強潮汐作用河口灣，江河所攜帶的不同陸源物質在杭州灣內匯集[35]。而外海區主要受東海表層水和大洋海水的混合稀釋作用影響。

在長江口潮汐河口區，徑流和潮流的相互作用強烈，水層結構極不穩定，垂向混合顯著[10]。特別是在最大渾濁帶及其附近水域，這種垂向湍流混合作用更加明顯，而垂向混合過程對最大渾濁帶CDOM的輸移過程有重要的影響。因此河口區底部沉積物間隙水上泛的影響，也能使河口區CDOM吸收系數升高[44]。

5 結論

對于長江口高濁度水體，QAA_v6算法比Moon算法和YOC算法的精度存在明顯改善。我們選擇BP神經網絡模型得到的模型結果，失效的數據比較少。從精度結果看，精度高于GOCI標準軟件GDPS提供的Moon算法與YOC算法，但同時BP神經網絡算法也存在一定的缺點，需要不斷調試優化和人的經驗參與輔助學習等。

本文以長江口及其鄰近海域野外實測數據為基礎，在QAA-CDOM算法基礎上，建立了基于BP神經網絡算法反演bbp(555)與ap(443)的關系，建立了適用于GOCI衛星數據的反演模型。利用2012年4月26日星地同步數據對模型進行驗證，驗證結果表明該模型可以應用于GOCI衛星數據的CDOM吸收系數反演。在此基礎上分析了長江口及其鄰近海域CDOM吸收系數分布及CDOM日變化情況，得到以下結論。

(1)基于QAA-CDOM算法的BP神經元網絡法對CDOM吸收系數的反演是較好的方法，適用于長江口及其鄰近海域CDOM反演。但總體而言，高濁度水域CDOM反演精度仍有待提高，原因是由于長江口及其鄰近海域沿岸水體中含較高濃度的懸浮物，而懸浮物對后向散射光譜的影響占主導作用，對葉綠素和CDOM光譜的影響較大，從而減弱了CDOM與后向散射光譜之間的相關性，最終導致算法在復雜水體的反演精度相對較低。

(2)利用2014年3月15日的GOCI影像反演長江口及其鄰近海域CDOM吸收系數，并對其日內變化時空特征進行了分析。結果表明，GOCI數據能夠清晰展現CDOM吸收系數的空間分布，能夠體現出水體受潮汐等外界因素影響而導致的CDOM吸收系數的變化。從日內變化來看，在漲潮期間，CDOM空間分布為長江口內北支高于南支濃度，北支濃度與口外接近；而在退潮期間，北支CDOM吸收系數明顯下降，且低于口外CDOM吸收系數，南港、北港的CDOM吸收系數也出現逐漸下降現象。而海水與淡水的混合稀釋，使CDOM的濃度梯度從長江口往外海區呈現沿西北-東南方向降低的趨勢。

(3)利用GOCI數據高時間分辨率的特點，可以捕捉一天內CDOM的變化特征，有利于對CDOM循環過程進行實時監測，為進一步研究長江口及其鄰近海域CDOM日循環變化特性及其驅動機制及河口演化規律提供了重要的觀測數據。

[1] Rochelle-Newall E J, Fisher T R. Chromophoric dissolved organic matter and dissolved organic carbon in Chesapeake Bay[J]. Marine Chemistry, 2002, 77(1): 23-41.

[2] Ferrari G M. The relationship between chromophoric dissolved organic matter and dissolved organic carbon in the European Atlantic coastal area and in the West Mediterranean Sea (Gulf of Lions)[J]. Marine Chemistry, 2000, 70(4): 339-357.

[3] Ferrari G M, Dowell M D, Grossi S, et al. Relationship between the optical properties of chromophoric dissolved organic matter and total concentration of dissolved organic carbon in the southern Baltic Sea region[J]. Marine Chemistry, 1996, 55(3): 299-316.

[4] Mannino A, Russ M E, Hooker S B. Algorithm development and validation for satellite-derived distributions of DOC and CDOM in the U.S. Middle Atlantic Bight[J]. Journal of Geophysical Research Atmospheres, 2008, 113(C7): 827-830.

[5] Vodacek A, Blough N V, Degrandpre M D, et al. Seasonal variation of CDOM and DOC in the Middle Atlantic Bight: Terrestrial inputs and photooxidation[J]. Limnology & Oceanography, 1997, 42(4): 674-686.

[6] Castillo C E D, Miller R L. On the use of ocean color remote sensing to measure the transport of dissolved organic carbon by the Mississippi River Plume[J]. Remote Sensing of Environment, 2008, 112(3): 836-844.

[7] Maritorena S, Siegel D A. Consistent merging of satellite ocean color data sets using a bio-optical model[J]. Remote Sensing of Environment, 2005, 94(4): 429-440.

[8] 雷惠, 潘德爐, 陶邦一, 等. 東海典型水體的黃色物質光譜吸收及分布特征[J]. 海洋學報, 2009, 31(2): 57-62.

Lei Hui, Pan Delu, Tao Bangyi, et al. The spectral absorption and distribution characteristics of CDOM in the typical waters of the East China Sea[J]. Haiyang Xuebao, 2009, 31(2): 57-62.

[9] 沈煥庭. 長江河口最大渾濁帶 [M]. 北京：海洋出版社, 2001.

Shen Huanting. Turbidity Maximum Zone of Yangtze Estuary[M]. Beijing: China Ocean Press, 2001.

[10] 沈煥庭, 賀松林. 中國河口最大渾濁帶芻議[J]. 泥沙研究, 2001(1): 23-29.

Shen Huanting, He Songlin. On the turbidity maximum in the Chinese estuaries[J]. Journal of Sediment Research, 2001(1): 23-29.

[11] Goni M A, Cathey M W, Yong H K, et al. Fluxes and sources of suspended organic matter in an estuarine turbidity maximum region during low discharge conditions[J]. Estuarine Coastal & Shelf Science, 2005, 63(4): 683-700.

[12] 金惠淑, 魚京善, 孫文超, 等. 基于GOCI遙感數據的湖泊富營養化監測研究[J]. 北京師范大學學報(自然科學版), 2013, 49(2/3): 271-274.

Jin Huishu, Yu Jingshan, Sun Wenchao, et al. Monitoring lake eutrophication by GOCI remote sensing[J]. Journal of Beijing Normal University (Natural Science Edition), 2013, 49(2/3): 271-274.

[13] 江彬彬, 張霄宇, 杜泳, 等. 基于GOCI的近岸高濃度懸浮泥沙遙感反演——以杭州灣及鄰近海域為例[J]. 浙江大學學報:理學版, 2015, 42(2): 220-227.

Jiang Bingbing, Zhang Xiaoyu, Du Yong, et al. Retrieving high concentration of suspended sediments based on GOCI:An example of coastal water around Hangzhou Bay,China[J]. Journal of Zhejiang University: Science Edition, 2015, 42(2): 220-227.

[14] 郭宇龍, 李云梅, 李淵, 等. 一種基于GOCI數據的葉綠素a濃度三波段估算模型[J]. 環境科學, 2015, 36(9): 3175-3185.

Guo Yulong, Li Yunmei, Li Yuan, et al. A three band chlorophyllaconcentration estimation model based on GOCI imagery[J]. Environmental Science, 2015, 36(9): 3175-3185.

[15] Huang C, Shi K, Yang H, et al. Satellite observation of hourly dynamic characteristics of algae with Geostationary Ocean Color Imager (GOCI) data in Lake Taihu[J]. Remote Sensing of Environment, 2015, 159: 278-287.

[16] Tassan S. Local algorithms using SeaWiFS data for the retrieval of phytoplankton, pigments, suspended sediment, and yellow substance in coastal waters[J]. Applied Optics, 1994, 33(12): 2369-2378.

[17] Harvey E T, Kratzer S, Andersson A. Relationships between colored dissolved organic matter and dissolved organic carbon in different coastal gradients of the Baltic Sea[J]. Ambio A Journal of the Human Environment, 2015, 44(S): S392-S401.

[18] Carder K L, Chen F R, Lee Z, et al. MODIS ocean science team algorithm theoretical basis document[J]. ATBD, 2003, 19(Version 7): 7-18.

[19] 吳穩. 長江口水文環境信息與水下地形三維可視化應用研究[D]. 上海: 華東師范大學, 2010.

Wu Wen. A study on three-dimensional visualization of hydrological and topographic data of Changjiang Estuary[D]. Shanghai: East China Normal University, 2010.

[20] 張述偉, 王江濤, 李寧, 等. 2010年春季長江口鄰近海區水體中溶解有機碳、氮的分布特征及其影響因素[J]. 海洋環境科學, 2013, 32(1): 33-38.

Zhang Shuwei, Wang Jiangtao, Li Ning, et al. Dissolved organic carbon and nitrogen in Changjiang Estuary and adjacent sea areas in spring [J]. Marine Environmental Science, 2013, 32(1): 33-38.

[21] 唐軍武, 田國良, 汪小勇, 等. 水體光譜測量與分析Ⅰ:水面以上測量法[J]. 遙感學報, 2004, 8(1): 37-44.

Tang Junwu, Tian Guoliang, Wang Xiaoyong, et al. The methods of water spectra measurement and analysis Ⅰ: Above-water method[J]. Journal of Remote Sensing, 2004, 8(1): 37-44.

[22] Hu C, Muller-Karger F E, Zepp R G. Absorbance, absorption coefficient, and apparent quantum yield: A comment on common ambiguity in the use of these optical concepts[J]. Limnology & Oceanography, 2002, 47(4): 1261-1267.

[23] Bricaud A, Morel A, Prieur L. Absorption by dissolved organic matter of the sea (yellow substance) in the UV and visible domains 1[J]. Limnology & Oceanography, 1981, 26(1): 43-53.

[24] Babin M, Stramski D, Ferrari G M, et al. Variations in the light absorption coefficients of phytoplankton, nonalgal particles, and dissolved organic matter in coastal waters around Europe[J]. Journal of Geophysical Research, 2003, 108(C7): 4-1-4-20.

[25] 郝艷玲. 黃河口水體生物光學性質逐時變化的靜止海洋水色衛星遙感探測研究[D]. 青島: 中國海洋大學, 2012.

Hao Yanling. Detection of hourly variability of bio-optical properties in the Yellow River Estuary by geostationary satellite ocean color images[D]. Qingdao: Ocean University of China, 2012.

[26] Lee Z, Lubac B, Werdell J, et al. An update of the quasi-analytical algorithm (QAA_v5) [R].International Ocean Color Group Software Report, 2009:1-9,

[27] Zhu W N, Yu Q. Inversion of chromophoric dissolved organic matter from EO-1 hyperion imagery for turbid estuarine and coastal waters[J]. IEEE Transactions on Geoscience & Remote Sensing, 2013, 51(6): 3286-3298.

[28] Zhu W N, Yu Q, Tian Y Q, et al. Estimation of chromophoric dissolved organic matter in the Mississippi and Atchafalaya river plume regions using above-surface hyperspectral remote sensing[J]. Journal of Geophysical Research Atmospheres, 2011, 116(C2): 434-441.

[29] Keiner L E, Yan X H. A neural network model for estimating sea surface chlorophyll and sediments from thematic mapper imagery[J]. Remote Sensing of Environment, 1998, 66(2): 153-165.

[30] Moon J E, Park Y J, Ryu J H, et al. Initial validation of GOCI water products against in situ data collected around Korean Peninsula for 2010—2011[J]. Ocean Science Journal, 2012, 47(3): 261-277.

[31] Siswanto E, Tang J, Yamaguchi H, et al. Empirical ocean-color algorithms to retrieve chlorophyll-a, total suspended matter, and colored dissolved organic matter absorption coefficient in the Yellow and East China Seas[J]. Journal of Oceanography, 2011, 67(5): 627-650.

[32] 朱偉健. 長江口及鄰近海域有色溶解有機物(CDOM)的光學特性和遙感反演的初步研究[D]. 上海: 華東師范大學, 2010.

Zhu Weijian. Optical properties and remote sensing retrieval of Colored Dissolved Organic Materials (CDOM) in Yangtze Estuary and adjacent waters[D]. Shanghai: East China Normal University, 2010.

[33] 潘孝輝, 吳敏, 王悅. 黃浦江水環境污染風險的模糊數學綜合評價[J]. 四川環境, 2008, 27(6): 60-62.

Pan Xiaohui, Wu Min, Wang Yue. Fuzzy comprehensive assessment of water pollution conditions of Huangpu River[J]. Sichuan Environment, 2008, 27(6): 60-62.

[34] 邢小剛，趙冬至，劉玉剛. 渤海非色素顆粒物和黃色物質的吸收特性研究[J]. 海洋環境科學, 2008, 27(6):595-598.

Xing Xiaogang, Zhao Dongzhi, Liu Yugang, et al. Absorption characteristics of de-pigmented particle and yellow substance in Bohai Sea[J]. Marine Environmental Science, 2008, 27(6):595-598.

[35] 范冠南, 毛志華, 陳鵬, 等. 長江口及其鄰近海域CDOM光譜吸收特性分析[J]. 海洋學研究, 2013, 31(1): 53-58.

Fan Guannan, Mao Zhihua, Chen Peng, et al. Optical characteristics of colored dissolved organic matter(CDOM) in Changjiang River Estuary and its adjacent sea areas[J]. Journal of Marine Science, 2013, 31(1): 53-58.

[36] Guo Weidong, Yang Liyang, Zhai Weidong, et al. Runoff-mediated seasonal oscillation in the dynamics of dissolved organic matter in different branches of a large bifurcated estuary&mdash: The Changjiang Estuary[J]. Journal of Geophysical Research Biogeosciences, 2014, 119(5):776-793.

[37] Pan Delu, Liu Qiong, Bai Yan. Progress in remote sensing of DOC: Based on the analysis of conservative behaviors of DOC and CDOM in global large rivers estuaries[J]. Acta Oceanologica Sinica, 2012, 34(4):1-9.

[38] Huang Y, Salama M S, Krol M S, et al. Estimation of human-induced changes in terrestrial water storage through integration of GRACE satellite detection and hydrological modeling: A case study of the Yangtze River basin[J]. Water Resources Research, 2015, 51(10): 8494-8516.

[39] Huang Y, Salama M S, Su Z, et al. Effects of roughness length parameterizations on regional-scale land surface modeling of alpine grasslands in the Yangtze River Basin[J]. Journal of Hydrometeorology, 2016, 17(4): 1069-1085.

[40] Yu Xiaolong, Shen Fang, Liu Yangyang. Light absorption properties of CDOM in the Changjiang (Yangtze) estuarine and coastal waters: An alternative approach for DOC estimation[J]. Estuarine Coastal & Shelf Science, 2016, 181: 302-311.

[41] 金翔龍. 東海海洋地質[M]. 北京: 海洋出版社, 1992.

Jin Xianglong. Marine Geology of the East China Sea[M]. Beijing: China Ocean Press, 1992.

[42] 李奕潔, 宋貴生, 胡素征, 等. 2014年夏季長江口有色溶解有機物(CDOM)的分布、光學特性及其來源探究[J]. 海洋與湖沼, 2015, 46(3): 670-678.

Li Yijie, Song Guisheng, Hu Suzheng, et al. Optical characterization and distribution of chromophoric dissolved organic matter (CDOM) in the Changjiang River Estuary in July 2014[J]. Oceanologia et Limnologia Sinica, 2015, 46(3): 670-678.

[43] 朱偉健, 沈芳, 洪官林. 長江口及鄰近海域有色溶解有機物(CDOM)的光學特性[J]. 環境科學, 2010, 31(10): 2292-2298.

Zhu Weijian, Shen Fang, Hong Guanlin. Optical characteristics of colored dissolved organic material (CDOM) in Yangtze Estuary[J]. Environmental Science, 2010, 31(10): 2292-2298.

[44] Bodineau L, Thoumelin G, Béghin V, et al. Tidal time-scale changes in the composition of particulate organic matter within the estuarine turbidity maximum zone in the Macrotidal Seine Estuary, France: the use of fatty acid and sterol biomarkers[J]. Estuarine Coastal & Shelf Science, 1998, 47(1): 37-49.

Remote sensing inversion and daily variation of CDOM based on GOCI in the Changjiang Estuary and adjacent waters

Sun Lu1, Jiang Jin’gang1, Zhu Weining1

(1.InstituteofIslandsandCoastalEcosytems,OceanCollege,ZhejiangUniversity,Hangzhou310058,China)

GOCI satellite data is adopted to retrieve high concentrations of colored dissolved organic matter in coastal waters of Changjiang Estuary. The inversion model is based on QAA-CDOM algorithm and field measured data. The BP neural network was used to fit the relationship between bbp(555) and ap(443), which is used in QAA-CDOM and needs to be optimized for the water in the Changjiang Estuary. The results show that the inversion accuracy is excellent with mean relative error 0.35. Then based on advantage of GOCI’s serial imaging, 8 images acquired in March 15, 2014 were inverted and analysed for CDOM daily variations in Changjiang Estuary and its adjacent seawater. The obtained the CDOM variation pattern is that CDOM in Changjiang Estuary and its adjacent seawater is mainly impacted by tides and the discharge of Changjiang. Inside the Changjiang Estuary, due to the effect of Changjiang diluted water, CDOM concentration in high tide is higher than that in the low tide, and it showed gradually decreasing trend from the estuary to the open sea.

GOCI image; Changjiang Estuary; CDOM; QAA-CDOM algorithm; BP neural network; daily variation characteristics

10.3969/j.issn.0253-4193.2017.09.013

2016-10-19；

2017-03-01。

國家自然科學基金面上項目(41471346)；國家自然科學青年基金項目(41401404)；海洋公益性行業科研專項經費項目(201005030-06)。

孫璐(1991—)，女，浙江省余姚市人，主要研究方向為環境遙感。E-mail:sunluu@zju.edu.cn

*通信作者：朱渭寧(1973—)，副教授，主要研究方向為環境遙感與地理信息科學。E-mail:zhuwn@zju.edu.cn

TP79

A

0253-4193(2017)09-0133-13

孫璐，蔣錦剛，朱渭寧. 基于GOCI影像的長江口及其鄰近海域CDOM遙感反演及其日內變化研究[J]. 海洋學報, 2017, 39(9): 133-145,

Sun Lu, Jiang Jin’gang, Zhu Weining. Remote sensing inversion and daily variation of CDOM based on GOCI in the Changjiang Estuary and adjacent waters[J]. Haiyang Xuebao, 2017, 39(9): 133-145, doi:10.3969/j.issn.0253-4193.2017.09.013