水體透明度遙感反演算法研究進展

趙春燕, 禹定峰, 周 燕, 楊 雷, 高 皜, 姚慧平

水體透明度遙感反演算法研究進展

趙春燕1, 禹定峰1, 周 燕1, 楊 雷1, 高 皜1, 姚慧平2

(1. 齊魯工業大學(山東省科學院)山東省科學院海洋儀器儀表研究所, 山東 青島 266100; 2. 中國石油大學(華東)海洋與空間信息學院, 山東 青島 266580)

水體透明度(Secchi Disk depth, SDD)是水環境監測的重要參數, 遙感技術對于監測水體透明度具有重要的應用前景。本文旨在分類和比較當前用于監測水體透明度的算法, 并提出未來研究的方向, 以推動水環境監測技術的進一步發展。文章對目前檢索水體透明度的算法進行分類和比較。其中, 經驗算法、半分析算法和機器學習算法是目前研究的主要方向。通過分析算法特性和優缺點, 提出未來研究的重點和方向。經驗算法基于透明度與光譜數據、葉綠素濃度等的相關性, 半分析算法基于水下能見度理論, 機器學習算法則基于更優的數據特征學習能力。不同算法具有各自的適用范圍和限制。未來的研究應該著重于整合多源遙感數據, 改進QAA(quasi-analytical-algorithm), 深入分析光學參數與水體透明度的關系, 將機器學習算法應用到水體透明度模型的建立中, 以建立具有高精度、適用性廣的反演模型。

透明度; 遙感技術; 經驗算法; 半分析算法; QAA; 機器學習

透明度SDD(Secchi Disk depth)是水體能見度的一種量度, 主要受水體光學性質的影響, 能直觀反映水體對光的吸收和散射程度[1]。傳統透明度測量為塞克盤法, 將塞克盤[2]放入水中, 使其下沉到剛好看不清的位置, 此時的水深為透明度, 這種操作方法較簡單, 但存在測量范圍受限、耗時長等局限性。使用遙感技術實現對水體透明度的測量, 可以快速、有效的覆蓋大面積區域, 彌補傳統測量方式的不足。如圖1所示, 用Web of Science進行檢索, 以water clarity為關鍵詞, 對檢索結果可視化分析, 發現遙感技術在檢索文獻中的比例較高, 因此可以得出遙感成為水體透明度的主要研究手段。

實時監測透明度的變化對水環境有重要意義, 透明度可以直觀地反映水體污染情況, 衡量水質狀況, 評估富營養化狀態, 同時, 透明度的變化會嚴重影響沉水植被的生長以及依靠可見光捕食的魚類和水鳥等水生動物的生存[3]。若將透明度衛星觀測列為沿海監測計劃, 則能更好地保護河口和沿海資源。

1 水色遙感

水色遙感通過遙感系統測量并分析水體吸收、散射太陽輻射形成的光譜特征來對水體中存在顯著光譜特征或光學特性的水體組分參數進行定量反演。太陽輻射經過大氣到達水體, 如圖2所示, 一部分進入水體, 另一部分被水體直接反射。進入水體的部分在水中傳播衰減, 一部分被水體各組分吸收, 另一部分被散射。傳感器上接收到的總輻亮度由3部分組成: (1)太陽輻射經過大氣散射進入傳感器; (2)太陽輻射通過水表面的方向反射進入傳感器; (3)水體后向散射光和水底的反射光, 這一部分含有水色信息, 稱為離水輻亮度。由于不同水體的水面性質、水體中懸浮物的性質和含量以及水深和水底特性等不同, 從而形成傳感器上接收的反射光譜的差異, 為遙感探測水體提供了基礎。

圖1 以水體透明度為關鍵詞在Web of Science中檢索得到的可視化分析圖

圖2 水中光的組成

遙感數據產品的生產是通過對傳感器獲取的原始數據進行成像、輻射校正、幾何校正等處理, 恢復觀測地物的位置信息和定量的輻射、散射等信息的過程。反演透明度需要的遙感數據產品是對傳感器原始數據預處理的結果, 遙感反射率是衛星遙感實現透明度反演的核心參量, 因此遙感反射率數據產品的獲取是反演透明度的關鍵。遙感反射率受水體組分的主要影響, 同時也受傳感器本身的性能和外界環境因子, 如太陽高度角、云量、風速等的影響。

國內外學者利用AISA(Airborne Imaging Spec-trometer for Applications)、TM(Thematic Mapper)、MODIS(Moderate Resolution Imaging Spectroradio-meter)、MERIS(Medium Resolution Imaging Spectro-meter Instrument)以及CZCS(Coastal Zone Color Sca-nner)、SeaWiFS(Sea-Viewing Wide Field-of-View Se-nsor)、MSS(Multi-Spectral Scanner)、ETM+(Enhanced Thematic Mapper Plus)等傳感器獲得衛星遙感數據, 并結合實測透明度數據, 針對水體本身的特性, 開展了許多具體的透明度遙感反演算法研究。目前關于海洋水色參數遙感的研究綜述已有很多, 如葉綠素、懸浮物等[4-8], 但水體透明度遙感反演算法的綜述尚未見報道, 因此本文將水體透明度遙感反演算法進行總結歸納和比較, 為水體透明度的遙感算法研究提供參考。

2 經驗算法反演透明度

經驗算法通過在遙感數據與透明度實測值之間進行回歸分析來建立遙感反演算法, 常用的經驗算法有單波段法和波段組合法。不少研究將衛星遙感提取的FUI(Forel-Ule Index)水色指數與實測透明度進行相關分析, 建立透明度FUI估算模型; 也有研究人員利用葉綠素的質量濃度與透明度之間的關系建立透明度經驗模型。

2.1 波段反射率

根據水體組分含量的差異造成一定波譜范圍內遙感反射率的不同, 對不同波段遙感反射率與實測透明度進行相關性分析, 得到相對較好的透明度遙感反演模型, 如線性函數、對數函數、冪指函數等。Liu等[9]基于省時、低成本的GEE(Google Earth Engine)云平臺, 測試各波段組合, 發現645 nm和555 nm波段處平均值(紅綠波段均值)的冪函數相關度最高, 開發了一種快速計算中國湖泊透明度的新算法; Song等[10]基于Landsat OLI(Operational Land Imager)遙感圖像數據, 對中國湖泊透明度量化分析, 發現紅藍波段反射率的比值能更好地估算透明度; 馬建行等[11]基于HJ-CCD(Huan Jing-Charge Coupled Device)和MODIS進行水體透明度反演對比, 通過灰色關聯度分析, 找出衛星遙感數據與實測透明度關聯較高的波段組合, 利用這些波段組合與透明度進行多元線性回歸分析, 從而建立透明度遙感反演模型; 禹定峰等[12]在基于環境一號衛星的四十里灣透明度遙感反演中, 分析HJ-1B CCD各波段和波段比值與透明度的相關關系, 得出紅藍波段比值與透明度存在較高相關性的結論, 并建立了透明度反演的指數模型; 禹定峰等[13]在基于實測數據和衛星數據的黃東海透明度估測模型研究中, 建立了單波段法、波段比值以及三波段法的透明度反演模型, 通過對比決定系數、均方根誤差和平均相對誤差, 得出在該水域中, 三波段算法最優。楊雷等[14]采用哨兵2號衛星數據反演透明度, 將波段組合與對應的實測數據進行相關性分析, 用相關性最大的波段組合建立膠州灣水體透明度反演模型, 該模型反演精度較高。

2.2 基于FUI的透明度算法

水體顏色屬于最古老的時間序列水質數據之一, 水中的三種主要光學物質(optically active constituent, OAC)分別為葉綠素, 非藻類懸浮物和有色溶解有機物, 其與水分子本身的吸收和散射作用共同決定了水體呈現出的顏色, Forel-Ule(FUI)指數是將水體的顏色分為不同的等級, 通常用0~100的數字來表示, 數字越小代表水越清澈, 數字越大代表水越混濁。基于衛星遙感提取的FUI水色指數較多用于水質監測, 可有效分析水體懸浮物濃度等水質參數的變化, 同時利用FUI水色指數與透明度的顯著相關性可建立透明度反演模型。Li等[15]利用MODIS數據觀測中國十大湖泊2000—2012年的水色, 發現FUI水色指數與透明度呈顯著負相關, 線性相關系數高達0.91; 王勝蕾等[16]在基于FUI水色指數的大范圍長時序的水質遙感監測中, 基于實測數據集與Hydrolight模擬數據集, 發現隨著FUI水色指數的增大, 透明度呈冪函數衰減, 決定系數2為0.95, 同時因透明度受色度角的影響, 因此建立SDD估算模型:

上式中代表FUI指數大小,sd表示水體透明度的大小。水色指數只能用于粗略估計透明度, 因此, 現在很少有研究用它建立水體透明度遙感反演模型, 但仍可以用FUI水色指數的變化趨勢判斷透明度的變化, 分析水質變化情況。

2.3 基于葉綠素濃度的透明度模型

很多學者發現葉綠素的質量濃度(下文中簡稱葉綠素濃度)與光衰減系數有很大關系, 葉綠素對可見光的吸收影響光在水下的傳播, 從而影響水體的透明度。透明度與葉綠素濃度的關系可以用指數關系表示:

表1 基于葉綠素a濃度反演透明度的經驗模型

2.4 基于無機懸浮物的透明度模型

在以無機懸浮物質為主要組分的水體, 根據其與透明度的關系, 可建立透明度反演模型。張運林[3]等在太湖建立懸浮物與透明度的對數模型:

其中,SS為懸浮物濃度。得到的對數擬合相關性很好, 即在本區域根據懸浮物反演透明度是可行的; 李曉宇[22]在分析沙湖透明度影響因素研究時, 根據懸浮物與透明度的關系建立回歸模型:

雖然模型得到的相關系數不高, 但懸浮物對沙湖水體的影響大于葉綠素。

對于不同水體, 如以葉綠素為主, 無機懸浮質為主的水體, 影響水體透明度的主要成分作為算法選擇的依據。對于遙感反演經驗算法, FUI、葉綠素以及懸浮物都會間接用到遙感反射率, 因此遙感反射率的準確性是影響透明度精度的主要因素。

經驗算法在光學特征復雜的水體中能較好反演水體透明度, 算法簡單易用, 精度較高, 但會受到實測數據的影響, 普適性差, 具有不可移植性, 易受區域和時間的限制, 無法建立適用性較強的反演算法。經驗算法是由實測數據與遙感圖像數據建立回歸模型得到, 由于實測數據是在某一具體時刻測得的, 僅適用于當時的條件, 當外界環境發生變化以及水的組分改變時, 此時的實測數據必然會發生變化, 而之前的經驗模型自然就會產生誤差。隨著時間、空間的遷移, 相同水體得到的經驗算法的適用性也會產生變化, 因此經驗算法的時空適用性表現較差。

3 半分析算法反演透明度

經驗算法一般根據有限次的實測數據回歸得到, 操作簡便, 但模型中的系數受水體和測量時間的影響而變化[23-25]。而半分析算法基于水下能見度理論, 為透明度估算提供了較好的理論基礎。半分析算法反演水體透明度, 是由水體的遙感反射率rs(λ)估算水體的漫衰減系數d(λ), 然后根據估算的參數建立水體透明度反演模型。

Chen等[26]基于坦帕灣的SeaWiFS遙感衛星圖像使用半分析算法估計490 nm處的垂直漫衰減系數d(490), 根據透明度與d的經驗關系建立模型, 從而得到坦帕灣透明度的變化情況。何賢強等[27]根據水下光輻射傳輸理論和對比度傳輸理論建立水體透明度的定量遙感模型:

式中,為水體的吸收系數,b為水體的后向散射系數,p為透明度盤表面的反射系數,為折射效應,為水面反射效應,e為人眼的靈敏度閾值,為變量, 其取值范圍為0.32~0.37, 分別對應晴天和陰天太陽天頂位置的取值, 該模型通過實測驗證后相關系數達0.84, 在一類水體中取得了較好的反演結果。

Preisendorfer[28]和Tyler[29]根據可見光在均勻介質中傳播的性質, 得到透明度的算法為:

式中,()為可見光的光束衰減系數,d()為可見光的垂直漫衰減系數。在此基礎上, Doron等[29]研究發現d()+()與d(490)+(490)高度相關, 得到透明度模型:

魏國妹等[32]在基于固有光學特性(inherent optical property, IOP)的北部灣透明度遙感反演及檢驗中, 采用Doron等[30]的透明度算法, 結合Lee等[33]發明的QAA算法, 形成基于固有光學量的透明度遙感算法, 并用實測透明度數據檢驗。基于IOP的透明度反演模型與基于葉綠素濃度的模型對比分析, 發現前者的平均百分比誤差為22%, 最大誤差52%, 遠小于基于葉綠素濃度的算法誤差。即相比葉綠素濃度與透明度的關系, 利用IOP與水體透明度的關系建立的半分析反演算法精度更高, 誤差更小。秦平等[34]研究主流的透明度半分析反演算法在渤、黃海的適用性時, 對比Doron-709、Doron-560、Doron-QAA三種透明度遙感反演算法, 發現三種算法對于研究區域的適用性均不強, 但Doron-560算法的誤差最小, 可在其基礎上改進。

Lee等[35]提出了新的水下能見度理論, 解決經典水下光學理論中不能準確解釋人眼觀察塞克盤等問題。不同于原有的經典理論, 新理論可以解釋SDD在一天內的變化, 并且經過驗證, 新理論模型具有較強的可信度。利用新的理論得到的透明度遙感半分析反演算法為:

Min(d())代表可見光波段中的最小d值, RrsPC是d最小時所對應的波長處的rs值, Ct表示人眼對比度閾值,tr是人眼在輻射反射率中的對比度閾值, 數值為0.013。根據Lee等發明的QAA算法, 由rs可獲得總吸收系數和總后向散射系數b, 再基于和b估計d值, 其中各參數估算值的獲取方法有經驗方法和半分析方法。根據Lee等的半分析算法,d的估算如下:

式中,0為太陽高度角。由于Lee等[35]開發的半分析透明度模型是基于全球海洋建立的, 因此在局部的適用性還有待驗證。毛穎等[36]在渤、黃海水域使用Lee等[35]的d全局算法, 發現d(490)在高值處存在較大誤差, 因而, 對Lee等開發的半分析算法進行改進, 得到的漫衰減系數d的半分析算法和經驗算法為:

由于QAA_v6在渾濁水域中反演效果較差, Jiang等[40]使用一種混合QAA算法QAA_hybrid[使用MCI (Maximum Chlorophyll-Index)來區分清澈與渾濁水體]代替QAA_v6獲取更準確的總吸收系數()和總后向散射系數(), 并采用動態T/d值代替固定的比值1.5:

式中,T和d分別是上升流和下降流輻射的漫反射衰減系數,b/(b),是太陽天頂角,I為水的折射率, 將改進的SDD反演算法應用于2003—2012年的霞浦湖MERIS圖像數據中, 發現水體透明度反演精度有較大的提升。

高磊等[41]在膠州灣區域使用兩種半分析反演模型進行對比分析, 發現在此區域Lee等的半分析模型比Jiang等[40]的適用性更強, 在不同的透明度范圍下, 均方根誤差更小。因此可知, 改進的SDD模型不具有一般性。同樣用GOCI衛星傳感器在渤黃海水體反演透明度時, 使用Mao等[37]修改的d聯合算法反演得到的SDD精度比Lee等[35]的高, 但Jiang等的模型在使用MERIS圖像數據反演霞浦湖的SDD精度則要比Lee等的好。對于改進的透明度半分析模型, 針對不同的水體特性, 有的模型會得到較好的精度, 有的則適用性較差。Msusa等[42]在Lee等[35]的基礎上改進了透明度算法, 將水體類型分為4種類型, 對每一種水體類型選取合適的參考波長和QAA算法, 并限制每種水體中最小d(l)的波長范圍, 解決了大部分的異常值, 有效提高了透明度的精度。該算法對水體類型分類可以量化類別之間的差異, 更準確地估計具有不同光學特性的吸收系數和后向散射系數, 為不同水體提供了更有針對性的算法。

半分析算法的核心是用QAA得到和b, 而在QAA中需要計算的參數較多, 參數的獲取是經驗算法結合半分析算法, 因此QAA中的經驗算法是影響半分析算法精度的主要原因。用QAA算法得到和b時, 根據水體的特點選取參考波長, 比如, 在具有吸收能力強的水體中, 應選取波長較長的參考波長。同時, 改變其中的經驗步驟可提高模型性能。相比經驗算法, 半分析算法依賴于復雜的輻射傳遞理論, 需要分離水體的光學成分并準確測量固有的光學特性, 這對于成分復雜、營養狀態不同的內陸水體來說難度更大, 但它用于反演透明度有良好的發展潛力, 值得進一步研究, 以建立更具有普遍適用性的水體透明度半分析反演模型。

4 機器學習算法反演透明度

隨著機器學習的發展、深度學習的建立, 水色要素的研究也與之結合, 為提高反演精度提供了更好的方法, 在建立透明度反演模型時, 部分學者將機器學習應用到提高d()的精度上, 然后使用Lee等[35]的透明度反演模型, 這樣得到的透明度精度相應提高; 或將遙感影像和實測數據作為神經網絡模型的輸入, 將透明度作為神經網絡的輸出, 從而分析相關性與精度變化。

水體透明度由OAC控制, Maciel等[43]驗證發現, 對于OAC具有高可變性的水體, 機器學習(machine learning, ML)算法要優于半分析算法(semi-analytical algorithms, SAA), 前者相關系數高于后者, 誤差小于后者。之前采用的半分析d(λ)反演模型SAKM(semi- analyticald() Retrieval Model), 由于QAA不能完全消除總后向散射系數b的影響, 因此Chen等[43]引入神經網絡, 得到神經網絡d(λ)檢索模型NNKM(new neural networkd() retrieval model), 將遙感反射率等表觀光學特性作為神經網絡模型的輸入, 這樣得到的d(λ)的準確度優于其他模型, 決定系數為0.94; 李玉翠等[45]使用5種機器學習算法反演東湖透明度, 根據測試誤差, 選擇K-近鄰算法(K-Nearest Neighbors, KNN)建立透明度的定量反演模型, 但機器學習可能會產生一定的過擬合現象, 從而導致精度降低; 喻臻鈺等[46]將實測數據與MODIS遙感影像相結合, 利用長短期記憶神經網絡(long-short term memory, LSTM)估算模型輸出透明度, 通過調整隱含層節點等方法, 可有效提高輸出精度。Zhou等[47]在Lee等[35]模型的基礎上引入經驗關系, 提出基于GOCI(geostationary ocean color imager)數據的膠州灣區域線性校正SDD估算模型, 在該研究中使用機器學習中的留一法交叉驗證確定回歸模型系數, 模型輸出的SDD值具有較高的精度。Zhang等[48]評估機器學習方法對全球湖泊和水庫檢索透明度的性能, 發現極端梯度增強(extreme gradient boosting, XGBoost)和隨機森林(random forest, RF)比經驗和QAA算法有更好的性能, 平均相對誤差約為30%, 并且這兩種集成模型比單一模型反向傳播神經網(back propagation neural network, BP), 支持向量機(support vector, SVR)更穩健, 用于全球湖泊透明度的檢索精度較好。

相比多項式擬合, 機器學習方法對數據特征的學習能力更優, 得到的透明度反演模型精度較高, 優勢較大。但機器學習對數據量的要求較高, 大量的訓練數據會幫助提高模型的反演精度, 比如有些衛星遙感影像數據會受云量等天氣的影響, 因此會有一定的數據缺失, 可有效使用的數據量有限, 從而影響機器學習算法模型的精度。而且機器學習本身存在一定的局限性, 可能會產生過擬合導致精度降低。目前, 機器學習用于反演透明度模型的相關應用較少, 得到的反演精度沒有達到預期, 應更多地結合機器學習算法, 提高透明度反演的精度。

5 總結與展望

近年來, 更多高分辨率遙感衛星的發射以及水色遙感的發展為水體透明度遙感反演研究提供了更多的數據, 很多學者針對不同水域建立了精度較高的反演透明度的經驗算法或半分析算法。但受水體復雜光學性質和其他各種因素的影響, 半分析算法需要固有光學量的準確測量和分析, 因此部分半分析模型的精度不比經驗模型高, 并且使用QAA算法估算()和b()存在誤差, 透明度反演算法的精度受到較大影響。同時, 使用衛星遙感監測的問題, 大氣校正的復雜性和生物光學反演的不準確性, 導致最終結果誤差較大。

針對同一水域, 使用衛星遙感數據建立透明度模型時, 使用單一傳感器存在信息不足等問題, 可以與其他傳感器數據結合, 以便建立精度更高的透明度遙感算法模型。根據近年來較多學者的研究, 今后透明度遙感反演算法的改進可集中于: 1)綜合多源遙感數據, 與實測數據結合, 利用多源數據融合分析提高模型精度; 2)改進QAA算法, 選擇合適的參考波段對應的QAA算法, 以此提高()和b()的估算精度; 3)明確d與透明度的關系, 選擇合適的d計算方法提高透明度的反演精度; 4)研究區域生物光學參數與透明度之間的關系, 針對光學參數差異大的水體, 建立具體的高精度反演模型; 5)將機器學習算法應用到透明度研究中, 提高反演精度以及分析預測其發展趨勢。

[1] PADIAL A A, THOMAZ S M. Prediction of the light attenuation coefficient through the Secchi disk depth: empirical modeling in two large Neotropical ecosystems[J]. Limnology, 2008, 9(2): 143-151.

[2] WERNAND M R. On the history of the Secchi disc[J]. Journal of the European Optical Society-Rapid Publica-tions, 2010, 5: 1003s.

[3] 張運林, 秦伯強, 陳偉民, 等. 太湖水體透明度的分析、變化及相關分析[J]. 海洋湖沼通報, 2003(2): 30-36.

ZHANG Yunlin, QIN Boqiang, CHEN Weimin, et al. Distribution, seasonal variation and correlation analysis of the transparency in Taihu Lake[J]. Transactions of Ocea-nology and Limnology, 2003(2): 30-36.

[4] 邢小罡, 趙冬至, 劉玉光, 等. 葉綠素熒光遙感研究進展[J]. 遙感學報, 2007, 11(1): 137-144.

XING Xiaogang, ZHAO Dongzhi, LIU Yuguang, et al. Progress in fluorescence remote sensing of Chlorophyll-[J]. Journal of Remote Sensing, 2007, 11(1): 137-144.

[5] 禹定峰, 邢前國, 施平. 內陸及近岸二類水體透明度的遙感研究進展[J]. 海洋科學, 2015, 39(7): 136-144.

YU Dingfeng, XING Qianguo, SHI Ping. A review on the estimation of Secchi disk depth by remote sensing in inland and nearshore case 2 waters[J]. Marine Sciences, 2015, 39(7): 136-144.

[6] 孟靈, 屈凡柱, 畢曉麗. 二類水體懸浮泥沙遙感反演算法綜述[J]. 浙江海洋學院學報(自然科學版), 2011, 30(5): 443-449.

MENG Ling, QU Fanzhu, BI Xiaoli. A review of retrieval algorithms for suspended sediment concentration by remote sensing[J]. Journal of Zhejiang Ocean University (Natural Science), 2011, 30(5): 443-449.

[7] 王桂芬, 曹文熙, 殷建平, 等. 海洋顆粒有機碳濃度水色遙感研究進展[J]. 熱帶海洋學報, 2012, 31(6): 48-56.

WANG Guifen, CAO Wenxi, YIN Jianping, et al. Progress on ocean-color remote sensing of particulate organic carbon[J]. Journal of Tropical Oceanography, 2012, 31(6): 48-56.

[8] 趙燕紅, 侯鵬, 蔣金豹, 等. 植被生態遙感參數定量反演研究方法進展[J]. 遙感學報, 2021, 25(11): 2173-2197.

ZHAO Yanhong, HOU Peng, JIANG Jinbao, et al. Progress in quantitative inversion of vegetation ecological remote sensing parameters[J]. National Remote Sensing Bulletin, 2021, 25(11): 2173-2197.

[9] LIU D, DUAN H, LOISELLE S, et al. Observations of water transparency in China’s lakes from space[J]. International Journal of Applied Earth Observation and Geoinformation, 2020, 92: 102187.

[10] SONG K, LIU G, WANG Q, et al. Quantification of lake clarity in China using Landsat OLI imagery data[J]. Remote Sensing of Environment, 2020, 243: 111800.

[11] 馬建行, 宋開山, 邵田田, 等. 基于HJ-CCD和MODIS的吉林省中西部湖泊透明度反演對比[J]. 湖泊科學, 2016, 28(3): 661-668.

MA Jianhang, SONG Kaishan, SHAO Tiantian, et al. Comparison of water transparency retrieving of lakes in the mid-east part of Jilin Province based on HJ-CCD and MODIS imagery[J]. Journal of Lake Sciences, 2016, 28(3): 661-668.

[12] 禹定峰, 邢前國, 施平. 四十里灣透明度的遙感估測模型研究[J]. 海洋環境科學, 2013, 32(1): 79-82.

YU Dingfeng, XING Qianguo, SHI Ping. Retrieval of secchi disk depth in Sishili Bay using the HJ-1B CCD image[J]. Marine Environmental Science, 2013, 32(1): 79-82.

[13] 禹定峰, 周燕, 邢前國, 等. 基于實測數據和衛星數據的黃東海透明度估測模型研究[J]. 海洋環境科學, 2016, 35(5): 774-779.

YU Dingfeng, ZHOU Yan, XING Qianguo, et al. Retrieval of Secchi disk depth using MODIS satellite remote sensing and in situ observations in the Yellow Sea and the East China Sea[J]. Marine Environmental Science, 2016, 35(5): 774-779.

[14] 楊雷, 禹定峰, 高皜, 等. Sentinel-2的膠州灣水體透明度遙感反演[J]. 紅外與激光工程, 2021, 50(12): 515-521.

YANG Lei, YU Dingfeng, GAO Hao, et al. Remote sensing retrieval of secchi disk depth in Jiaozhou Bay using Sentinel-2 MSI image[J]. Infrared and Laser Engi-neering, 2021, 50(12): 515-521.

[15] LI J, WANG S, WU Y, et al. MODIS observations of water color of the largest 10 lakes in China between 2000 and 2012[J]. International Journal of Digital Earth, 2016, 9(8): 788-805.

[16] 王勝蕾. 基于水色指數的大范圍長時序湖庫水質遙感監測研究[D]. 北京: 中國科學院大學(中國科學院遙感與數字地球研究所), 2018.

WANG Shenglei. Large-scale and long-time water quality remote sensing monitoring over lakes based on water color index[D]. Beijing: University of Chinese Academy of Sciences (Institute of Remote Sensing and Digital Earth Institute), 2018.

[17] 楊生光, 張坤誠, 呂培頂. 海水相對透明度與葉綠素的關系[J]. 黃渤海海洋, 1987, 5(1): 68-70.

YANG Shengguang, ZHANG Kuncheng, LV Peiding. The relation between relative transparency of seawater and chlorophyl-[J]. Journal of oceanography of Huan-ghai & Bohai seas, 1987, 5(1): 68-70.

[18] CARLSON R. A trophic state index for lakes[J]. Limnology and Oceanography, 1977, 22(2): 361-369.

[19] MEGARD R O, BERMAN T. Effects of algae on the Secchi transparency of the southeastern Mediterranean Sea[J]. Limnology and Oceanography, 1989, 34(8): 1640-1655.

[20] 李寶華, 傅克忖. 南黃海浮游植物與水色透明度之間相關關系的研究[J]. 黃渤海海洋, 1999, 17(3): 73-79.

LI Baohua, FU Kecun. The study of correlations between phytoplankton and the transparency, water color in southern Yellow Sea[J]. Journal of Oceanog-raphy of Huanghai & Bohai Seas, 1999, 17(3): 73-79.

[21] MOREL A, HUOT Y, GENTILI B, et al. Examining the consistency of products derived from various ocean color sensors in open ocean (Case 1) waters in the perspective of a multi-sensor approach[J]. Remote Sensing of Environment, 2007, 111(1): 69-88.

[22] 李曉宇. 寧夏沙湖水體透明度時空變化特征與影響因素研究[D]. 銀川: 寧夏大學, 2018.

LI Xiaoyu. Spatial and temporal characteristics and Influencing factors of the transparency of Shahu Lake in Ningxia[D]. Yinchuan: Ningxia University, 2018.

[23] HOLMES R W. The Secchi disk in turbid coastal waters[J]. Limnology and Oceanography, 1970, 15(5): 688-694.

[24] KRATZER S, H?KANSSON B, SAHLIN C. Assessing Secchi and photic zone depth in the Baltic Sea from satellite data[J]. Ambio, 2003, 32(8): 577-585.

[25] 王曉梅, 唐軍武, 丁靜, 等. 黃海、東海二類水體漫衰減系數與透明度反演模式研究[J]. 海洋學報, 2005, 27(5): 38-45.

WANG Xiaomei, TANG Junwu, DING Jing, et al. The retrieval algorithms of diffuse attenuation and transparency for the Case-II waters of the Huanghai Sea and the East China Sea[J]. Acta Oceanologica Sinica, 2005, 27(5): 38-45.

[26] CHEN Z, MULLER-KARGER F E, HU C. Remote sensing of water clarity in Tampa Bay[J]. Remote Sensing of Environment, 2007, 109(2): 249-259.

[27] 何賢強, 潘德爐, 毛志華, 等. 利用Sea WiFS反演海水透明度的模式研究[J]. 海洋學報(中文版), 2004, 26(5): 55-62.

HE Xianqiang, PAN Delu, MAO Zhihua, et al. The study on the inversing model of water transparency using the SeaWiFS data[J]. Acta Oceanologica Sinica, 2004, 26(5): 55-62.

[28] PREISENDORFER R W. Secchi disk science: Visual optics of natural waters[J]. Limnology and Oceanog-raphy, 1986, 31(5): 909-926.

[29] TYLER J E. The secchi disc[J]. Limnology and Ocea-nography, 1968, 13(1): 1-6.

[30] DORON M, BABIN M, MANGIN A, et al. Estimation of light penetration, and horizontal and vertical visibility in oceanic and coastal waters from surface reflectance[J]. Journal of Geophysical Research, 2007, 112: C06003, doi: 10.1029/2006JC004007.

[31] DORON M, BABIN M, HEMBISE O, et al. Ocean transparency from space: Validation of algorithms esti-mating Secchi depth using MERIS, MODIS and Sea-WiFS data[J]. Remote Sensing of Environment, 2011, 115(12): 2986-3001.

[32] 魏國妹, 商少凌, 李忠平, 等. 基于固有光學特性的北部灣透明度遙感反演及其檢驗[J]. 高技術通訊, 2009, 19(9): 977-982.

WEI Guomei, SHANG Shaoling, LI Zhongping, et al. An IOP-based remote-sensing algorithm for Secchi depth and its validation for the Gulf of Tonikn[J]. High Technology Letters, 2009, 19(9): 977-982.

[33] LEE Z, CARDER K L, ARNONE R A. Deriving inherent optical properties from water color: a multiband quasi-analytical algorithm for optically deep waters[J]. Applied Optics, 2002, 41(27): 5755-5772.

[34] 秦平, 肖艷芳, 崔廷偉, 等. 主流的透明度半分析反演算法在渤、黃海的適用性評價[J]. 激光生物學報, 2014, 23(6): 516-522, 546.

QIN Ping, XIAO Yanfang, CUI Tingwei, et al. Validation of main semi-analytical retrieval algorithms of transparency in the Bohai and Yellow Sea[J]. Acta Laser Biology Sinica, 2014, 23(6): 516-522, 546.

[35] LEE Z P, SHANG S L, HU C M, et al. Secchi disk depth: A new theory and mechanistic model for underwater visibility[J]. Remote Sensing of Environment, 2015, 169: 139-149.

[36] 毛穎, 丘仲鋒, 孫德勇, 等. 渤黃海水體漫衰減系數的遙感反演[J]. 廣西科學, 2016, 23(6): 513-519.

MAO Ying, QIU Zhongfeng, SUN Deyong, et al. A novel remote sensing algorithm for Estimating diffuse attenuation coefficient in the Bohai Sea and Yellow Sea[J]. Guangxi Sciences, 2016, 23(6): 513-519.

[37] MAO Y, WANG S, QIU Z, et al. Variations of transpa-rency derived from GOCI in the Bohai Sea and the Yellow Sea[J]. Optics Express, 2018, 26(9): 12191-12209.

[38] LEE Z, HU C, SHANG S, et al. Penetration of UV-visible solar radiation in the global oceans: Insights from ocean color remote sensing[J]. Journal of Geophysical Research: Oceans, 2013, 118(9): 4241-4255.

[39] 葉晗, 史玥雙, 梁涵瑋, 等. 南黃海透明度的時空分異特征及影響因素分析[J]. 海洋學報, 2022, 44(3): 1-9.

YE Han, SHI Yueshunag, LIANG Hanwei, et al. Spatiotemporal characteristics and driving factors of water transparency in the South Yellow Sea[J]. Haiyang Xuebao, 2022, 44(3): 128-136.

[40] JIANG D, MATSUSHITA B, SETIAWAN F, et al. An improved algorithm for estimating the Secchi disk depth from remote sensing data based on the new underwater visibility theory[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2019, 152: 13-23.

[41] 高磊, 胡鵬, 朱金山. 水體透明度兩種半分析反演模型的對比與分析[J]. 海洋科學, 2021, 45(3): 14-23.

GAO Lei, HU Peng, ZHU Jinshan. Comparison and analysis of two semi-analytical inversion models for water transparency[J]. Marine Sciences, 2021, 45(3): 14-23.

[42] MSUSA A D, JIANG D, MATSUSHITA B. A semia-nalytical algorithm for estimating water transparency in different optical water types from MERIS data[J]. Remote Sensing, 2022, 14(4): 868.

[43] MACIEL D A, BARBOSA C C F, NOVO E M L D M, et al. Water clarity in Brazilian water assessed using Sentinel-2 and machine learning methods[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2021, 182: 134-152.

[44] CHEN J, ZHU Y, WU Y, et al. A neural network model for K(lambda) retrieval and application to global Kparmonitoring[J]. PLoS One, 2015, 10(6): e0127514.

[45] 李玉翠, 周正, 彭漪, 等. 基于機器學習的東湖富營養化研究[J]. 人民長江, 2018, 49(17): 12-17.

LI Yucui, ZHOU Zheng, PENG Yi, et al. Assessment of eutrophication status in East Lake based on machine learning methods[J]. Yangtze River, 2018, 49(17): 12-17.

[46] 喻臻鈺, 楊昆, 羅毅, 等. 基于深度神經網絡算法的水體透明度反演方法[J]. 生態學報, 2021, 41(6): 2515- 2524.

YU Zhenyu, YANG Kun, LUO Yi, et al. Secchi depth inversion of Dianchi Lake and its temporal and spatial variation analysis based on deep neural networks[J]. Acta Ecologica Sinica, 2021, 41(6): 2515-2524.

[47] ZHOU Y, YU D F, CHENG W T, et al. Monitoring multi-temporal and spatial variations of water transpa-rency in the Jiaozhou Bay using GOCI data[J]. Marine Pollution Bulletin, 2022, 180: 113715.

[48] ZHANG Y B, SHI K, SUN X, et al. Improving remote sensing estimation of Secchi disk depth for global lakes and reservoirs using machine learning methods[J]. GIScience & Remote Sensing, 2022, 59(1): 1367-1383.

Research progress on the remote sensing inversion algorithm for water transparency

ZHAO Chun-yan1, YU Ding-feng1, ZHOU Yan1, YANG Lei1, GAO Hao1, YAO Hui-ping2

(1. Institute of Oceanographic Instrumentation, Qilu University of Technology (Shandong Academy of Sciences), Qingdao 266100, China; 2. College of Oceanography and Space Informatics, China University of Petroleum, Qingdao 266580, China)

Water transparency (Secchi Disk depth) serves as a crucial parameter in water quality monitoring. Remote sensing technology exhibits immense potential in facilitating such monitoring. This paper aims to categorize and compare the current algorithms used in monitoring the transparency of water bodies and identify prospective directions of future research to further the advancement of water quality monitoring technologies. Three algorithms constitute the main directions of current research in this field: empirical, semianalytical, and machine learning (ML). By analyzing the characteristics, advantages, and disadvantages of these algorithms, the focus and direction of future research in this domain are proposed. The empirical algorithm is based on the correlation between transparency and spectral data, along with other factors such as chlorophyll a concentration; the semianalytical algorithm is based on the underwater visibility theory; and the ML algorithm is based on superior data feature learning capabilities. Each algorithm presents a unique range of applications and limitations. Future research should focus on integrating multisource remote sensing data, improving the quasianalytical algorithm, deeply analyzing the relationship between optical parameters and water transparency, and applying ML algorithms to establish water transparency models, thereby establishing inverse models with high accuracy and wide applicability.

transparency; remote sensing technology; empirical algorithm; semi-analytical algorithm; QAA; machine learning

Sep. 2, 2022

X87

A

1000-3096(2023)5-0176-10

10.11759/hykx20220902002

2022-09-02;

2023-01-15

國家自然科學基金項目(42106172); 山東省重點研發計劃(2019GHY112017); 山東省自然科學基金(ZR2021QD135); 山東省科學院海洋儀器儀表研究所基金項目(HYPY202107); 教育部產學合作協同育人項目(202102245036, 202101044002); 科教產融合創新試點工程項目(2022PY041, 2022GH004)

[the National Natural Science Foundation of China, No. 42106172; the Key Research and Development Program of Shandong, No. 2019GHY112017; Shandong Provincial Natural Foundation, No. ZR2021QD135; the Foundation of Institute of Oceanographic Instrumentation, Shandong Academy of Sciences, No. HYPY202107; University-Industry Collaborative Education Program, Nos. 202102245036, 202101044002; Fusion Science and Technology Innovation Pilot Project, Nos. 2022PY041, 2022GH004]

趙春燕(1998—), 女, 山東濟南人, 碩士, 主要研究方向為海水透明度與遙感, E-mail: ChunyanZhao2021@163.com; 禹定峰(1986—),通信作者, 博士, 副研究員, 主要研究方向為人工智能與海洋遙感大數據、海洋遙感研究, E-mail: dfyu@qlu.edu.cn

(本文編輯: 叢培秀)