基于Landsat-OLI影像數據的向海濕地水體葉綠素a反演模型研究

馬 蘭 劉吉平

（吉林師范大學旅游與地理科學學院 吉林 四平 136000）

水是濕地生態系統的基本要素，對濕地的形成、發展、演化、保護及功能發揮具有至關重要的作用[1～3]。濕地的水量、水質等狀況的穩定對濕地生態系統的結構和功能有重要保障作用，因此保護濕地的水環境也是保護濕地的重要措施之一[4～5]。由于受人類活動和自然因素的雙重影響，濕地水環境日益惡化[6]。

葉綠素a是重要的水體水質參數之一，不僅可以較好地反映水中浮游生物的分布，也能衡量水體的初級生產力，其含量還能很好地反映水體富營養化程度[7～8]。利用遙感技術對水體中葉綠素a濃度進行監測，克服了許多傳統監測的局限，其優點很多，監測范圍廣、面積大、精度高、時效性強、成本低、省時省力，能夠長時序快速地監測大面積水體水質參數的時空動態變化[9～10]。遙感技術由開始的海洋水體遙感漸漸應用到內陸水體的研究中，從簡單的水域識別逐漸發展到運用遙感技術對水體水質參數進行估測[11]。多種遙感數據已經被廣泛地應用到水質遙感研究中，如 Landsat-OLI、MODIS、Sentinel、GF-1 等[12]。水質遙感技術不斷發展，模型的構建和水質參數光譜特征研究不斷深入，遙感水質監測方法由物理方法發展到經驗方法，再發展到半經驗方法，經驗方法和半經驗方法是最常使用的方法。

1 研究區域與研究方法

1.1 研究區域。向海國家級自然保護區坐落在吉林省白城市通榆縣的西北方向，科爾沁草原中部，地理位置為東經 122°05'～ 122°30'，北緯 44°50'～ 45°19'[13]，海拔在156～192 m，總面積約為1 055 km2，屬水域生態系統和內陸鹽沼濕地生態系統相結合的自然保護區。保護區地處溫帶季風氣候區，年平均氣溫為5.1℃，年蒸發量為1 946 mm，年降水量為408.3 mm，蒸發量遠大于年降水量，屬于半干旱地區(如圖1)。

圖1 研究區域及采樣點分布圖

1.2 數據資料的來源與獲取

1.2.1 實測水質數據。2018年6月12日、7月25日和9月11日對吉林省白城市通榆縣西北部的向海濕地水體進行采樣，采樣點分布如圖1。采用分光光度法測定葉綠素a濃度。

1.2.2 遙感影像數據。選擇與實測水質數據時間相近且云量較小的Landsat-OLI遙感影像，對影像進行預處理。運用ENVI5.3，導入采樣點經緯度的excel表格，提取各采樣點的遙感反射率。使用歸一化水體指數的方法將水體從影像中提取出來。

1.3 主要研究方法

1.3.1 水質反演方法。經驗方法是運用多光譜遙感技術來監測水質逐漸發展形成的一種方法。現如今應用于葉綠素濃度的反演比較廣泛。經驗方法是應用統計學的方法對野外實測水質各參數數據和遙感波段數據進行分析，選取最適宜波段或波段組合數據與地面實際測量的水質參數數據進行統計分析，得到最適合的回歸方程，進而對所需的水質參數進行反演。經驗模型是一種相對簡單并且適用的模型，是遙感定量反演模型。

1.3.2 相關分析。相關分析是研究2個或者多個地位相同的隨機變量元素之間的相關關系的一種統計分析方法。隨機變量之間需要有一定的聯系才可以進行相關性分析。相關分析是回歸分析的前提和基礎。本文使用SPSS軟件對波段進行相關分析，根據Pearson系數可以看出相關的程度和正負相關，系數的絕對值越大，相關性越強，再看是否通過檢驗(F檢驗、P值等)，從而尋找出敏感波段。

1.3.3 回歸分析。回歸分析是指確定2種或者多種變量之間相互依賴的定量關系，也是一種統計分析方法。回歸分析的運用非常廣泛。回歸分析可以揭示自變量對因變量影響的大小，還可以進行數量上的預測和控制，是建立模型和數據分析的重要技術。本文根據向海濕地水體實測水質數據和遙感影像波段反射率，建立模型時使用回歸分析方法。

1.3.4 模型精度檢驗方法。檢驗模型的可用性與模型好壞的重要標準是精度評價。本文選取的驗證水質模型精度的參數有擬合系數R2、相對誤差ARE(AbsolutionRelativeError)和均方根誤差 RMSE(root-mean-square-error)。擬合系數越接近1，其效果越好。基于Landsat-OLI遙感影像水體水質建立最終的模型，其原則為擬合指數R2越大，均方根誤差(RMSE)和相對誤差(ARE)兩者較小，對三者進行綜合分析。其中式中，表示第 i個反演值，xi表示第i個實測值，n是驗證點的總數。

2 結果與分析

本文隨機選取18組葉綠素a濃度及其對應的遙感反射率數據進行建模，剩下8組實測數據進行模型驗證與精度評價。

2.1 水體遙感反射率與葉綠素a濃度的相關性分析。利用SPSS軟件，對Landsat-OLI遙感影像的7個波段與葉綠素a濃度的相關性進行分析，與葉綠素a濃度相關性比較大的波段有b1、b2、b3和b4，其Pearson系數分別為0.718、0.76、0.761、0.825，其余波段的系數偏小，相關性低。其中，葉綠素a濃度與波段1～4的反射率都呈現顯著正相關(p＜0.001)，與第4波段反射率的相關系數最大。

2.2 反演模型建立。用b1、b2、b3和b4這四個波段構建單波段模型，將波段的遙感反射率作為自變量，實測的葉綠素a濃度作為因變量(p＜0.001)，比較模型擬合系數和均方根誤差，由表1可以看出，擬合系數都大于0.55，相關性較高。其中b4建立的多項式模型擬合系數最大，均方根誤差也相對較小，因此用b4建立的線性模型為最佳模型。

表1 葉綠素a濃度回歸預測模型

2.3 反演模型驗證。利用建立的葉綠素a濃度反演模型，采用8組驗證點數據對模型進行驗證，反演出8組驗證采樣點的葉綠素a濃度，繪制實測值與預測值散點圖。由圖2可知，8組驗證樣本采樣點葉綠素a濃度的實測值與預測值分布于1∶1直線兩側，其擬合系數R2為0.7419，均方根誤差RMSE為23.3248 μg/L，Sig.=0.000，達到顯著水平。從葉綠素a濃度驗證的結果可以看出(表2)，相對誤差最大值為42.36%，最小值為10.49%，預測值與實測值相對誤差的平均值為24.73%。

圖2 葉綠素a濃度實測值和預測值擬合圖

表2 葉綠素a回歸方程模型的預測值與實測值的誤差表

3 結論

本文以向海濕地水體為研究對象，結合Landsat-OLI遙感影像數據與野外實地采集的水樣數據，用Pearson相關分析方法對水質參數濃度與遙感影像波段的相關性進行分析，選擇相關性大的波段建立回歸模型，并對模型進行了驗證。結論如下：Landsat-OLI遙感影像波段1至波段4的遙感反射率與葉綠素a濃度呈顯著正相關，其中波段4的Pearson系數為0.825，與葉綠素a濃度的相關性最強。以波段4的遙感反射率為自變量，實測的葉綠素a濃度作為因變量，建立的葉綠素a反演模型(y=336.78x-1.4663)為最佳模型。