基于環境小衛星CCD數據對太湖地區葉綠素a濃度的反演

史鵬輝　李云格　姜寒

摘 要：針對我國湖泊水體富營養化監測問題，以太湖為研究對象，使用了快速、低成本、大范圍的遙感技術反演太湖水體中的葉綠素a含量。以環境小衛星CCD數據和實測數據為研究基礎，使用波段比值法建立了5種葉綠素a濃度回歸模型。結果表明：多項式反演模型具有最佳的擬合效果，其相關系數R=0.8845;對該反演模型進行合理性驗證，并將其運用在太湖地區，最終反演了該水域的葉綠素a濃度。這表明波段比值法構建的多項式反演模型可以較為準確地反演出太湖地區的葉綠素a濃度值。

關鍵詞：遙感;葉綠素a;反演模型;波段比值法;CCD

中圖分類號 X832;TP79? 文獻標識碼 A文章編號 1007-7731（2021）17-0030-04

The Inversion of Chlorophyll a Concentration in Taihu Lake Region Based on Environment Small Satellite CCD Data

SHI Penghui et al.

（College of Water Resources and Architectural Engineering，Northwest A&F University，Yangling 712100，China）

Abstract： Aiming at the problem of eutrophication monitoring of lake water in China， this paper takes Taihu Lake as an example and uses rapid， low-cost and wide-scale remote sensing technology to retrieve chlorophyll a content in Taihu Lake water body. On the basis of the CCD data and measured data of environmental small satellites， five regression models of chlorophyll a concentration were established by band ratio method. Among them， polynomial inversion model has the best fitting effect， and its correlation coefficient R=0.8845. After that， the rationality of the inversion model is verified and applied to Taihu Lake area， and the chlorophyll a concentration in this water area is finally retrieved. As a result， the polynomial inversion model constructed by band ratio method can accurately reverse the chlorophyll a concentration in Taihu Lake area.

Key words： Remote sensing; Chlorophyll-a; Inversion modelling; Wave band ratio method;CCD

由于人口的增長和工農業生產的發展，湖泊的富營養化問題日漸凸顯。葉綠素a作為評估湖泊富營養化狀況的主要物質，通過測定其在水體中的含量，可以了解湖泊的富營養化情況[1]。因此，對于水體污染監測而言，如何能夠較為準確地獲得水體葉綠素a濃度值顯得至關重要。目前普遍使用的水質監測方法需要對水質采樣并對其進行化學分析。這既耗費時間和精力，并且還受到天氣條件和水利狀況等方面的影響，因此監測精度難以保證。同時，由于采樣點的選取具有一定的局限，檢測結果很難反映出全區域的水質狀況[2]，使得其無法滿足較大面積水質監測的需要。遙感技術對地物監測速度快、成本低、范圍廣，在對水體水質監測方面具有獨特的優勢，因此可以運用遙感技術，通過葉綠素a含量和水體光譜反射率間的聯系，反演水體的葉綠素a濃度。這對水體水質的高頻次、大范圍和實時監測具有重要的科學價值和現實意義。

在將遙感技術應用于葉綠素a濃度的監測等方面，國內外學者作了很多研究。朱冰川等[3]基于GOCI數據建立了太湖葉綠素a濃度的三波段反演模型，使用歸一化植被覆蓋指數（NDVI）對水體的藍藻水華進行監測，并評估了水體的富營養化程度;張明慧等[4]利用MODIS時間序列影像數據，反演了福建海岸附近不同時期的葉綠素a含量，并對反演結果進行了分析;Teng Zhang等[5]比較了葉綠素a和多個波段反射率間的相關性，確定了葉綠素a的反演波段，并將其輸入到支持向量機（SVM）模型中，建立了一個良好的評價模型;Ryan McEliece等[6]基于UAV多光譜影像，通過2個不同波段計算的反射比和指數估算葉綠素a濃度和濁度的可能性;董丹丹等[7]以巢湖為研究對象，通過擬合MODIS數據和實地監測數據，反演了水體葉綠素a信息;馬蘭等[8]以向海濕地水體為研究對象，利用Landsat-OLI數據，采用回歸分析的方法，建立并篩選出了葉綠素a含量最佳反演模型。筆者以太湖為研究對象，利用環境小衛星CCD數據與水質實測資料，反演太湖水體中的葉綠素a濃度，以期為太湖富營養化問題的進一步治理、預警水華暴發以及水質監測提供科學依據。

1 材料與方法

1.1 研究區概況 太湖地處我國江蘇省南部，跨江蘇、浙江2省，位于無錫、湖州、宜興與蘇州之間（119°52′32″～120°36′10″E、30°55′40″～31°32′58″N），面積約為2300km2，是中國第三大淡水湖泊，入湖河流較多，湖區水深較淺[9]。其西及西南多為丘陵和山地，其東多平原、水網。近年來，隨著沿岸人口的增長和產業的發展，湖泊所受污染增加，湖水的富營養化問題越來越嚴重[10]，經常發生綠色“水華”。

1.2 數據來源 作為中國首顆專門用于環境及災害監測預報的小型衛星，環境小衛星上載有多光譜相機，具有寬覆蓋、短周期、全天候等優點，能夠提供多波段光學遙感信息，具有大范圍、高光譜遙感能力。它能夠監測出水體的細微變化，提高了反演精度，也可以對水體進行大范圍、全天候、實時動態監測[11]。基于環境小衛星CCD數據，通過遙感技術對太湖區域葉綠素a濃度進行反演可以較大程度上提高水質監測的效率[12]，同時也滿足大面積水質檢測的需求。本研究以該衛星的CCD數據作為研究基礎，所選用的數據來源于環保部衛星環境應用中心。由于湖泊中葉綠素a濃度會隨季節發生變化，并且與其他季節相比，其在夏秋2季即6—11月間偏高，因此選擇這一時間段內天氣狀況良好的數據作為數據源，其影像質量受其他因素影響較小。

1.3 數據預處理 在反演葉綠素a濃度之前，依據該衛星數據的特點以及葉綠素a含量反演的條件，要進行數據的預處理，以便之后構建反演模型。預處理的內容包括數據讀取、輻射定標、幾何校正、大氣校正、太湖區域裁剪，具體操作流程見圖2。

2 結果與分析

2.1 反演模型構建 當前使用遙感手段對水體葉綠素a濃度進行反演有很多模型，但總體上看主要有經驗模型法、半經驗模型法和分析模型法3種。若使用波段比值分析，則可以在一定程度上降低大氣狀況、水面反射以及水體中污染物質的干擾，能大大提高模型反演的精度。此外，選擇多波段比值，能夠增加吸收谷和反射峰間的差別，從而更好地獲取葉綠素a濃度數據，因此采用經驗模型中的波段比值法進行模型構建。對各個波段進行組合，以期篩選出進行葉綠素a濃度反演的最佳波段比值。通過比較發現，大部分的波段組合與葉綠素a濃度值的相關性不是很理想，但與第3、4波段的比值有較好的相關性，故選擇第3、4波段進行組合，得到對應點的反射率因子R4/R3。結合實測數據，隨機選取25個采樣點用于模型構建，并建立采樣點與葉綠素a濃度實測值間一對一關系。實測數據包含采樣點的經度、緯度以及該點處的葉綠素a濃度（表1）。

將R4/R3作為模型的自變量，模型的因變量為實測的葉綠素a濃度，分別對兩者建立線性、指數、對數、多項式、冪5種回歸模型。作散點圖進行回歸分析，得到各個模型反射率因子與其相對應的葉綠素a濃度之間的回歸模型（圖3）。

比較5種回歸模型可知，多項式回歸模型的R2系數最大，其葉綠素a的濃度與反射率因子R4/R3之間的相關系數R=0.8845（表2）。同時，由圖3可知，在多項式回歸模型中，數據點在線兩側分布較均勻，表明該反演模型與葉綠素a濃度實測值的相關性較好。因此，多項式回歸模型的擬合效果最好，選其作為太湖葉綠素a濃度的反演模型，建立的反演模型為：

[Cchl-a=-0.0185x2+0.0737x+0.005] （1）

式中，[Cchl-a]為葉綠素a的濃度值，[x]為波段4、3的比值，即R4/R3。

2.2 反演模型驗證 為驗證波段比值法多項式模型的反演精度，隨機挑選10個樣點，通過葉綠素a濃度的預測值和實測值的對比，對該模型進行驗證。由表3可知，此次反演結果的相對誤差最小為1.11%，最大為17.93%，平均相對誤差為6.35%。由圖4可知，預測值和實際值的走勢基本一致（為便于觀察，樣點由1至10，實測值按由小到大排列），未出現太大偏差。

反演結果驗證表明：經驗模型波段比值法反演得到的太湖水體葉綠素a濃度值與對應的實測值大體一致，相對誤差較小，均未超過20%，反演的誤差未超過允許范圍，估算結果較為準確，可以滿足當前葉綠素a濃度反演的精度要求。根據所建立的模型，對整個太湖區域進行葉綠素a濃度的反演，反演結果如圖5所示。

3 結論

在分析國內外學者對葉綠素a濃度遙感監測已有研究的基礎上，以江蘇省太湖地區作為研究對象，基于環境小衛星CCD數據和野外實測數據，采用經驗模型波段比值法共建立了5種反演模型。通過比較，其中多項式回歸模型的相關系數最大，為0.8845，因此選其作為太湖葉綠素a濃度反演的最終模型，并對其進行了驗證。結果表明，建立的多項式模型有較好的準確度，并利用該模型反演出了太湖地區的葉綠素a濃度。

作者簡介：史鵬輝（1999—），男，河南三門峽人，在讀本科，研究方向：水文與水資源。? 收稿日期：2021-07-01

參考文獻

[1]Gitelson A A，Schalles J F，Hladik C M.Remote chlorophyll-a retrieval in turbid， productive estuaries： Chesapeake Bay case study[J]. Remote Sensing of Environment， 2015， 109（4）：464-472.

[2]胡耀躲，竇同宇，楊波.基于GOCI影像反演湖泊懸浮物和葉綠素a含量的研究述評[J].水資源與水工程學報，2017，28（02）：26-32，39.

[3]朱冰川，尤凱，石浚哲，等.基于GOCI數據的太湖葉綠素a濃度反演和藍藻水華遙感監測[J].環境污染與防治，2020，42（08）：1021-1025，1032.

[4]張明慧，蘇華，季博文.MODIS時序影像的福建近岸葉綠素a濃度反演[J].環境科學學報，2018，38（12）：4831-4839.

[5]Zhang T . Estimation of Chlorophyll-a Concentration of Lakes Based on SVM Algorithm and Landsat 8 OLI Images[J]. Environmental Science and Pollution Research， 2020， 27（3）：14977-14990.

[6]Mc Eliece R，Hinz S，Guarini J M， et al. Evaluation of Nearshore and Offshore Water Quality Assessment Using UAV Multispectral Imagery[J]. Remote Sensing， 2020， 12（14）：2258.

[7]董丹丹，孫金彥，張曦.應用MODIS數據監測湖泊葉綠素a空間分布[J].安徽農學通報，2020，26（24）：150-151.

[8]馬蘭，劉吉平.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[J].現代農村科技，2019（06）：60-62.

[9]陳瑜，李繼影，高昕，等.太湖東部水域浮游硅藻群落特征及其與環境因子關系[J].環境監控與預警，2021，13（02）：44-50.

[10]王根深，王得玉.基于MERIS遙感圖像的太湖葉綠素濃度反演[J].安徽農業科學，2017，45（30）：71-74.

[11]戴芳筠，聶運菊.基于HJ1B-CCD1的太湖葉綠素a含量反演[J].湖北民族學院學報（自然科學版），2017，35（04）：383-386.

[12]王偉軒，吉長東.基于環境小衛星數據反演太湖葉綠素含量[J].測繪與空間地理信息，2018，41（04）：192-195.

（責編：徐世紅）