太湖水體葉綠素濃度反演模型適宜性分析*

王珊珊，李云梅，王永波，王 帥，杜成功

(江蘇省地理信息資源開發(fā)與利用協(xié)同創(chuàng)新中心，南京210023)

太湖水體葉綠素濃度反演模型適宜性分析*

王珊珊，李云梅**，王永波，王 帥，杜成功

(江蘇省地理信息資源開發(fā)與利用協(xié)同創(chuàng)新中心，南京210023)

為確定適合太湖水體葉綠素的反演算法，為同類衛(wèi)星數(shù)據(jù)的建模和應(yīng)用提供參考，本文根據(jù)太湖2007年11月、2009年4月和2011年8月實(shí)測水質(zhì)參數(shù)以及同步光譜數(shù)據(jù)，結(jié)合水色遙感傳感器MODIS、MERIS、GOCI及我國自主發(fā)射的HJ-1號衛(wèi)星CCD傳感器波段參數(shù)，基于差值模型、比值模型、三波段模型及APPEL模型，分別建立太湖水體葉綠素濃度反演模型，并分析模型的適宜性.結(jié)果顯示，基于不同傳感器數(shù)據(jù)APPEL模型的決定系數(shù)為0.7308～0.8107，模型相對誤差為15%～24%，均方根誤差為21%～32%；三波段模型基于不同傳感器數(shù)據(jù)擬合的決定系數(shù)為0.6014～0.7610，相對誤差為28%～36%，相對均方根誤差為39%～46%；差值模型決定系數(shù)為0.4954～0.7244，相對誤差為39%～53%，相對均方根誤差為51%～72%；比值模型決定系數(shù)為0.4918～0.7098，相對誤差為41%～55%，相對均方根誤差為56%～75%.相比較而言，APPEL模型的穩(wěn)定性較強(qiáng)，適合于不同傳感器數(shù)據(jù)的太湖水體葉綠素濃度的反演.此外，相應(yīng)不同傳感器波段位置、波段寬度對模型反演的精度和穩(wěn)定性的影響也不同，當(dāng)波段位置接近葉綠素特征波長時(shí)，較窄的波寬有利于模型精度的提高，波段位置和葉綠素濃度特征波長相差較大時(shí)，合理增加波譜范圍有利于葉綠素特征信息的獲取.

太湖；葉綠素濃度；反演模型；遙感

水體中葉綠素a含量的高低直接影響水體的光學(xué)特性，也是表征水體富營養(yǎng)化程度的主要參數(shù)，所以葉綠素a濃度已經(jīng)成為水體水質(zhì)評價(jià)的重要指標(biāo).葉綠素濃度的反演方法主要有經(jīng)驗(yàn)方法、半經(jīng)驗(yàn)/半分析方法和分析方法，對于葉綠素濃度反演方法，目前國內(nèi)外已有眾多學(xué)者對其進(jìn)行了深入的研究.李素菊等[1]根據(jù)地面實(shí)測高光譜數(shù)據(jù)和同步水質(zhì)采樣分析，分別利用反射率比值法和一階微分法建立了葉綠素濃度的遙感定量模型，結(jié)果表明反射率比值法及一階微分法與葉綠素a濃度均有較好的相關(guān)性，且反射率比值法估算葉綠素a濃度效果較好.曠達(dá)等[2]綜合環(huán)境一號小衛(wèi)星的CCD數(shù)據(jù)和同步地面水質(zhì)監(jiān)測數(shù)據(jù)，發(fā)現(xiàn)近紅外波段與紅波段比值的模型用于太湖地區(qū)葉綠素a濃度反演的精度良好.樂成峰等[3]基于季節(jié)分異對太湖葉綠素濃度反演模型進(jìn)行研究，結(jié)果表明春季和秋季選用波段比值算法精度較高，夏季選用微分算法最好.Kahru等[4]結(jié)合MODIS真彩色影像，利用紅波段、近紅外波段葉綠素反射特征的差異建立紅、近紅外波段反射率差值模型，成功檢測了秘魯帕拉卡斯灣赤潮的發(fā)生.Gitelson等[5]首次提出用于估算陸地植被葉綠素含量的三波段式半分析模型，Zimba、Dall’Olmo等[6-7]將該方法應(yīng)用于水體葉綠素a濃度反演，提高了反演精度.周冠華等[8]利用太湖實(shí)測的高光譜遙感數(shù)據(jù)建立三波段模型并進(jìn)行波段優(yōu)化，得到較高的反演精度.楊煜等[9]通過地面實(shí)測數(shù)據(jù)，建立太湖葉綠素a濃度反演模型，對比各模型反演效果，認(rèn)為三波段模型反演精度最高.徐京萍等[10]利用2004年5-9月的吉林省新廟泡實(shí)測高光譜數(shù)據(jù)和實(shí)驗(yàn)室分析數(shù)據(jù)，建立了基于三波段的葉綠素a濃度反演模型，并優(yōu)化組合了3個(gè)特征波長，結(jié)果表明用該方法建立的模型反演精度較高，適合于內(nèi)陸水體葉綠素a含量的定量提取.2012年El-Alem等[11]提出了一種新的葉綠素濃度反演模型APPEL模型(APProach by ELimination)，結(jié)合南魁北克4個(gè)湖泊的9年實(shí)測數(shù)據(jù)和同步MODIS影像數(shù)據(jù)對葉綠素濃度進(jìn)行反演，決定系數(shù)達(dá)到0.95.

差值模型、比值模型以及三波段模型已成功應(yīng)用于內(nèi)陸水體的葉綠素濃度反演研究并取得較好的效果，成為內(nèi)陸水體葉綠素濃度反演最常用的模型.APPEL模型是以MODIS傳感器波段數(shù)據(jù)為參數(shù)，以葉綠素在紅波段強(qiáng)吸收、近紅外波段高反射的光譜特征為原理，以不同波段組合來去除懸浮物、CDOM和后向散射的影響，最終構(gòu)建而成的葉綠素濃度反演模型.它是一種新的半分析模型，目前并未用于內(nèi)陸水體的葉綠素濃度反演研究，所以其精度與穩(wěn)定性如何，適不適合內(nèi)陸水質(zhì)參數(shù)的反演，這些問題還需要進(jìn)一步驗(yàn)證.

在葉綠素濃度遙感估算方面，各國已相繼發(fā)射了多種水色遙感傳感器，這些衛(wèi)星無疑為葉綠素濃度遙感估算提供了良好的數(shù)據(jù)源.例如美國海洋水色衛(wèi)星(SeaStar)攜帶的海洋寬視場掃描儀SeaWiFS、搭載在美國Aqua和Terra衛(wèi)星上的中分辨率光譜成像儀(MODIS)、搭載于Envisat-1衛(wèi)星平臺上的中等分辨率成像頻譜儀(MERIS)、日本ADEOS-2衛(wèi)星平臺上的全球成像儀(GLI)、印度遙感衛(wèi)星IRS平臺上的海洋水色監(jiān)測儀(OCM)、韓國發(fā)射的靜止海洋觀測衛(wèi)星成像儀(GOCI)等.其中，MODIS于1999年12月18日發(fā)射，擁有9個(gè)為水色遙感專門設(shè)計(jì)的通道，其最大空間分辨率為250m，一天可過境4次，對各種突發(fā)性、快速變化的自然災(zāi)害有更強(qiáng)的實(shí)時(shí)監(jiān)測能力；MERIS傳感器于2002年3月發(fā)射，在可見光/近紅外區(qū)域(309～1040nm)有15個(gè)水色波段，可見光波段平均帶寬為10nm，中心波段位置更精細(xì)，其空間分辨率為300m，重返周期為2～3d，適用于二類水體各組分的反演；GOCI為世界首次發(fā)射的靜止海洋觀測衛(wèi)星成像儀，發(fā)射時(shí)間為2011年4月，其具有可見光到近紅外8個(gè)波段，空間分辨率為500m，其最突出的特點(diǎn)是從8：00-15：00提供每小時(shí)的遙感影像，由于GOCI影像較高的時(shí)間分辨率和光譜分辨率，并且對于東北亞地區(qū)相對靜止，其影像數(shù)據(jù)可有效用于我國東部湖泊富營養(yǎng)化情況的實(shí)時(shí)監(jiān)測.

但是，目前的水色遙感傳感器主要是為海洋遙感服務(wù)的，在內(nèi)陸水體中是否適用，其穩(wěn)定性如何還有待驗(yàn)證.此外，我國于2008年發(fā)射了環(huán)境一號衛(wèi)星，該衛(wèi)星由兩顆光學(xué)小衛(wèi)星(HJ-1A、HJ-1B)組成雙星星座，時(shí)間分辨率為2d，雖然其傳感器波段不是專門針對水體設(shè)置，但是，其較高的時(shí)間分辨率和30m的空間分辨率，使得該數(shù)據(jù)在內(nèi)陸水環(huán)境的遙感監(jiān)測中具有突出的優(yōu)勢.

結(jié)合以上兩點(diǎn)，在內(nèi)陸水體葉綠素濃度反演過程中，反演模型的選擇和衛(wèi)星數(shù)據(jù)的選擇是非常重要的，二者直接影響水體葉綠素濃度的反演結(jié)果，因此基于衛(wèi)星數(shù)據(jù)的葉綠素濃度反演模型適宜性分析具有十分重要的研究意義.

本文基于太湖2007年11月、2009年4月和2011年8月實(shí)測數(shù)據(jù)，選擇差值模型、比值模型、三波段模型以及APPEL模型，針對HJ-CCD、MODIS、MERIS以及GOCI傳感器波段設(shè)置，分別構(gòu)建太湖水體葉綠素a濃度的估算模型，并分析模型的適宜性，以期確定最適合太湖水體葉綠素的反演算法，為同類衛(wèi)星數(shù)據(jù)的建模和應(yīng)用提供參考.

1 材料與方法

1.1 實(shí)驗(yàn)區(qū)概況

太湖位于江蘇省南部，長江三角洲中部，是中國第三大淡水湖，湖面面積、平均海拔和平均水深分別為2338.1km2、3.33m和1.9m.2007年11月、2009年4月和2011年8月分別對太湖水體進(jìn)行樣點(diǎn)采集，并去除異常數(shù)據(jù)，光譜數(shù)據(jù)的采集和水體采樣同步進(jìn)行.

1.2 數(shù)據(jù)獲取與預(yù)處理

1.2.1 水體光譜數(shù)據(jù)的獲取 水體光譜數(shù)據(jù)采用美國分析光譜儀器公司(Analytical Spectral Devices)制造的ASD FieldSpec Pro便攜式光譜輻射計(jì)測量，該儀器波段范圍為350～1050nm，光譜分辨率為2nm.選擇水面平靜，天空晴朗時(shí)測量.具體按照唐軍武等[12]提出的關(guān)于內(nèi)陸二類水體水面以上光譜測量的方法進(jìn)行測量，并最終計(jì)算出水面遙感反射率參數(shù).地面實(shí)驗(yàn)于2007年11月、2009年4月和2011年8月在太湖進(jìn)行，共獲得有效數(shù)據(jù)88個(gè).

1.2.2 葉綠素濃度的測量 葉綠素濃度采用陳宇煒等[13]提出的浮游植物葉綠素a測定的“熱乙醇法”進(jìn)行測量.首先用GF/F濾膜過濾200ml水樣，然后加入熱乙醇水浴2min后避光萃取4～6h，萃取結(jié)束后，用25mm玻璃纖維濾膜過濾萃取液并定容至10ml，將10ml葉綠素樣品萃取液在UV-2550紫外分光光度計(jì)上用90%乙醇作為參比液進(jìn)行比色，先后在665nm和750nm波長處測消光率E665和E750，然后在樣品比色皿中加1滴1mol/L的鹽酸進(jìn)行酸化，加蓋搖勻，1min后重新在665nm和750nm波長處測消光率A665和A750.葉綠素a濃度計(jì)算公式為：

Chl.a=27.9V乙醇[(E665-E750)-(A665-A750)]/V樣品

(1)

式中，Chl.a為葉綠素a濃度(mg/m3)，V乙醇為萃取液定容的體積(ml)，V樣品為過濾水樣的體積(m3).

1.3 葉綠素濃度反演模型構(gòu)建

首先，利用水面實(shí)測光譜以波段均值法模擬HJ-CCD、MODIS、MERIS以及GOCI傳感器波段光譜，HJ-CCD波段1、2、3、4的波寬分別為430～520、520～600、630～690、760～900nm;MODIS波段1、2、3、4的波寬分別為620～670、841～876、459～479、545～565nm;MERIS波段2、5、7、9、12的波寬分別為437.5～447.5、555～565、660～670、703.75～713.75、771.25～786.25nm;GOCI波段2、4、6、7、8的波寬分別為433～453、545～565、675～685、735～755、845～885nm.其次，針對各傳感器波段設(shè)置，分別建立差值模型、比值模型、三波段模型和APPEL模型等葉綠素濃度反演模型.建模數(shù)據(jù)為88個(gè)太湖實(shí)測數(shù)據(jù)中隨機(jī)選擇的68個(gè)樣點(diǎn)數(shù)據(jù).

1.3.1 差值模型 差值模型是根據(jù)紅波段和近紅外波段葉綠素的光譜特性差異建立的半分析模型[4].該模型將紅、近紅外波段的差值作為相關(guān)變量，進(jìn)行葉綠素濃度量化反演.針對HJ-CCD、MODIS、MERIS以及GOCI傳感器波段設(shè)置，太湖葉綠素濃度反演對應(yīng)的量化波段如下：

HJ-CCD：[Chl.a]∝R(b4)-R(b3)

(2)

MODIS：[Chl.a]∝R(b2)-R(b1)

(3)

MERIS：[Chl.a]∝R(b9)-R(b7)

(4)

GOCI：[Chl.a]∝R(b7)-R(b6)

(5)

式中,R(bi)為第i波段的遙感反射率，[Chl.a]為葉綠素a濃度.

1.3.2 比值模型 比值模型根據(jù)葉綠素在近紅外波段高反射與紅波段強(qiáng)吸收的特性，選用兩波段比值作為光譜指數(shù)進(jìn)行葉綠素濃度反演，對于不同傳感器選取的波段如下：

HJ-CCD：[Chl.a]∝R(b4)/R(b3)

(6)

MODIS：[Chl.a]∝R(b2)/R(b1)

(7)

MERIS：[Chl.a]∝R(b9)/R(b7)

(8)

GOCI：[Chl.a]∝R(b7)/R(b6)

(9)

1.3.3 三波段模型 三波段模型使用1個(gè)紅光波段、2個(gè)近紅外波段的組合來構(gòu)建葉綠素反演模型[5]，定義如下：

[Chl.a]∝(R-1(λ1)-R-1(λ2))·R(λ3)

(10)

MERIS：[Chl.a]∝[R-1(b7)-R-1(b9)]·R(b12)

(11)

GOCI：[Chl.a]∝[R-1(b6)-R-1(b7)]·R(b8)

(12)

由于HJ-CCD和MODIS傳感器波段設(shè)置不能完全包含理想的三波段范圍，因此，無法直接采用上述方法建立三波段模型.El-Alem等[11]提出，對于MODIS數(shù)據(jù)，可采用波段1(紅光波段)代替λ1葉綠素a吸收的敏感波段，選用波段1、3、4的組合代替λ2去除懸浮物和CDOM的影響[18-19]，同時(shí)選用波段2近紅外波段代替λ3去除后向散射的影響.由于HJ-CCD波段設(shè)置類似于MODIS的1～4波段，因此，本研究采用El-Alem等提出的方法設(shè)置MODIS和HJ-CCD數(shù)據(jù)的三波段模型參數(shù)：

(13)

(14)

1.3.4 APPEL模型 APPEL模型是由El-Alem等[11]針對MODIS傳感器數(shù)據(jù)提出，由于近紅外波段葉綠素光譜特征表現(xiàn)出高反射，而水體在此波段強(qiáng)吸收，因此可以用來獲取最大的葉綠素信息量.在此波段仍有懸浮物、CDOM和后向散射的影響，因此，選用CDOM反射最強(qiáng)的藍(lán)波段來去除CDOM的影響[20]，同時(shí)選取近紅外波段作為葉綠素的敏感波段來去除CDOM敏感波段中的葉綠素信息，近紅外波段由于水體強(qiáng)吸收也用來去除藍(lán)波段后向散射的影響.紅波段可以作為懸浮物敏感波段的研究，來最小化懸浮物的影響，并用近紅外波段去除紅波段葉綠素的信息，在紅、近紅外波段，水體表現(xiàn)為強(qiáng)吸收特征，因此后向散射可以忽略.綜上，最終得到的APPEL光譜指數(shù)為：

APPEL=R(bNIR)-[(R(bBLUE)-R(bNIR))·R(bNIR)+(R(bR)-R(bNIR))]

(15)

APPEL模型用于不同傳感器的葉綠素濃度反演光譜指數(shù)如下所示：

HJ-CCD：[Chl.a]∝R(b4)-[(R(b1)-R(b4))·R(b4)+(R(b3)-R(b4))]

(16)

MODIS:[Chl.a]∝R(b2)-[(R(b3)-R(b2))·R(b2)+(R(b1)-R(b2))]

(17)

MERIS:[Chl.a]∝R(b9)-[(R(b2)-R(b9))·R(b9)+(R(b7)-R(b9))]

(18)

GOCI:[Chl.a]∝R(b7)-[(R(b2)-R(b7))·R(b7)+(R(b6)-R(b7))]

(19)

2 結(jié)果與分析

2.1 模型擬合效果分析

2.1.1 基于HJ-CCD波段數(shù)據(jù)模型擬合結(jié)果分析 利用實(shí)測數(shù)據(jù)模擬HJ-CCD傳感器波段數(shù)據(jù)，構(gòu)建葉綠素反演模型的擬合結(jié)果,可以看出4個(gè)模型的光譜指數(shù)與葉綠素濃度均呈現(xiàn)較好的線性關(guān)系，其中APPEL模型擬合效果最好，決定系數(shù)為0.7434，其次為三波段模型，決定系數(shù)為0.6245，兩波段差值模型和比值模型的擬合結(jié)果決定系數(shù)分別為0.5403和0.5148，模型擬合精度由高到低分別為APPEL模型、三波段模型、差值模型、比值模型(圖1).

圖1 基于HJ-CCD波段數(shù)據(jù)模型擬合結(jié)果Fig.1 Fitting results of the models based on the band data of HJ-CCD sensor

2.1.2 基于MODIS波段數(shù)據(jù)模型擬合結(jié)果分析 利用實(shí)測數(shù)據(jù)模擬MODIS傳感器波段數(shù)據(jù)，構(gòu)建葉綠素反演模型的擬合結(jié)果,可以看出APPEL模型擬合結(jié)果最好，決定系數(shù)為0.7308，三波段模型決定系數(shù)為0.6014，差值模型和比值模型擬合結(jié)果決定系數(shù)均在0.5以下，分別為0.4954和0.4918，模型擬合精度由高到低分別為APPEL模型、三波段模型、差值模型、比值模型(圖2).

2.1.3 基于MERIS波段數(shù)據(jù)模型擬合結(jié)果分析 利用實(shí)測數(shù)據(jù)模擬MERIS傳感器波段數(shù)據(jù)，構(gòu)建葉綠素反演模型的擬合結(jié)果,可以看出三波段模型和APPEL模型擬合的光譜指數(shù)與葉綠素濃度呈現(xiàn)出很好的線性相關(guān)，決定系數(shù)分別為0.7610和0.8107，差值模型和比值模型擬合的光譜指數(shù)與葉綠素濃度也有較好的線性相關(guān)，并且模型決定系數(shù)都在0.7以上，模型擬合精度由高到低分別為APPEL模型、三波段模型、差值模型、比值模型(圖3).

圖2 基于MODIS波段數(shù)據(jù)模型擬合結(jié)果Fig.2 Fitting results of the models based on the band data of MODIS sensor

圖3 基于MERIS波段數(shù)據(jù)模型擬合結(jié)果Fig.3 Fitting results of the models based on the band data of MERIS sensor

2.1.4 基于GOCI波段數(shù)據(jù)模型擬合結(jié)果分析 利用實(shí)測數(shù)據(jù)模擬GOCI傳感器波段數(shù)據(jù)，構(gòu)建葉綠素反演模型的擬合結(jié)果,可知APPEL模型擬合結(jié)果的決定系數(shù)為0.7823，三波段模型決定系數(shù)為0.7053，差值模型和比值模型的決定系數(shù)分別為0.6871和0.6305，模型擬合精度由高到低分別為APPEL模型、三波段模型、差值模型、比值模型(圖4).

圖4 基于GOCI波段數(shù)據(jù)模型擬合結(jié)果Fig.4 Fitting results of the models based on the band data of GOCI sensor

基于水色遙感傳感器的太湖水體葉綠素濃度反演模型擬合結(jié)果可以看出，APPEL模型擬合結(jié)果決定系數(shù)都在0.73以上.三波段模型擬合結(jié)果決定系數(shù)都在0.6以上，其精度與穩(wěn)定性都較APPEL模型差.差值模型和比值模型對于不同的傳感器波段設(shè)置，模型擬合結(jié)果有一定的波動(dòng)，差值模型擬合決定系數(shù)為0.4954～0.7244，比值模型擬合決定系數(shù)為0.4918～0.7098.這是因?yàn)椴钪的Ｐ秃捅戎的Ｐ途鶠閮刹ǘ文Ｐ?，二者建模原理是基于紅、近紅外波段葉綠素光譜特性的差異，構(gòu)建紅、近紅外波段的差值和比值作為光譜參數(shù)，并未去除懸浮物、CDOM以及后向散射等的影響，降低了模型適用性與穩(wěn)定性.而三波段模型和APPEL模型考慮到了懸浮物、CDOM以及后向散射等的影響并對其進(jìn)行了去除，一定程度上提高了模型的精度.

從模型擬合結(jié)果還可以看出，對于同一葉綠素濃度反演模型，基于MERIS傳感器波段設(shè)置的模型模擬結(jié)果精度最好，其次分別為基于GOCI傳感器波段設(shè)置擬合結(jié)果、基于HJ-CCD傳感器波段設(shè)置擬合結(jié)果、基于MODIS傳感器波段設(shè)置擬合結(jié)果.

2.2 模型外推適應(yīng)性分析

利用未參與建模的數(shù)據(jù)，對所建模型的外推適應(yīng)性進(jìn)行分析.在此，分別采用相對誤差(Er)和相對均方根誤差(RMSEr)兩個(gè)指標(biāo)對模型反演結(jié)果進(jìn)行評價(jià)：

(20)

(21)

式中，n是樣點(diǎn)數(shù)目，Oi和Esi分別為第i個(gè)樣點(diǎn)的實(shí)測值和模型估算值.

圖5為基于不同傳感器波段數(shù)據(jù)的4個(gè)模型驗(yàn)證結(jié)果相對誤差頻率分布直方圖，差值模型有36%的樣點(diǎn)相對誤差小于0.3，并且有7%的樣點(diǎn)相對誤差大于1.比值模型相對誤差小于0.3的樣點(diǎn)數(shù)占31%，有11%的樣點(diǎn)相對誤差大于1.三波段模型外推驗(yàn)證結(jié)果56%的樣點(diǎn)相對誤差小于0.3，相對誤差大于1的樣點(diǎn)數(shù)占3%.APPEL模型接近一半的樣點(diǎn)相對誤差小于0.1，占總樣點(diǎn)數(shù)的48%，71%的樣點(diǎn)相對誤差小于0.3.

圖5 模型驗(yàn)證結(jié)果相對誤差頻率分布直方圖Fig.5 Frequency distribution and cumulative percentage of the relative errors

對4種模型反演葉綠素a濃度的反演值和實(shí)測值進(jìn)行相對誤差統(tǒng)計(jì)和相對均方根誤差統(tǒng)計(jì)，結(jié)果如表1所示.整體來說，APPEL模型的外推結(jié)果最好，具有很高的穩(wěn)定性，對于不同傳感器波段設(shè)置和不同的傳感器波段寬度，模型敏感度較低，葉綠素濃度反演值與實(shí)測值的相對誤差與相對均方根誤差均較小，相對誤差為15%～24%，相對均方根誤差為21%～32%.三波段模型對于不同傳感器波段數(shù)據(jù)，模型外推結(jié)果的相對誤差為28%～36%，相對均方根誤差為39%～46%.差值模型驗(yàn)證結(jié)果相對誤差為39%～53%，相對均方根誤差為51%～72%，比值模型驗(yàn)證結(jié)果相對誤差為41%～55%，相對均方根誤差為56%～75%.外推驗(yàn)證結(jié)果顯示模型外推性由高到低分別為APPEL模型、三波段模型、差值模型、比值模型.

表1 模型相對誤差與均方根誤差統(tǒng)計(jì)

綜合對4種葉綠素濃度反演模型的精度分析可知，APPEL模型在不同傳感器擬合結(jié)果中和模型外推適宜性分析結(jié)果中都顯示出很好的精度與穩(wěn)定性，三波段模型在不同傳感器數(shù)據(jù)葉綠素濃度反演過程中精度有小范圍的波動(dòng)，模型外推適宜性分析結(jié)果顯示三波段模型的穩(wěn)定性較APPEL模型低，差值模型和比值模型不論在擬合結(jié)果還是外推適宜性分析當(dāng)中都表現(xiàn)出較大的精度波動(dòng)，模型的穩(wěn)定性相對較差.所以APPEL模型因其較好的穩(wěn)定性與外推性，可以推廣到遙感水色衛(wèi)星反演太湖水體葉綠素濃度.

2.3 基于不同傳感器波段參數(shù)的APPEL模型適應(yīng)性分析

APPEL模型擬合結(jié)果決定系數(shù)均在0.73以上，對于不同的水色傳感器波段數(shù)據(jù)模型的穩(wěn)定性較強(qiáng).其中，基于MERIS傳感器數(shù)據(jù)的模型擬合精度為0.8107，基于GOCI傳感器數(shù)據(jù)的模型擬合精度為0.7823，基于HJ-CCD傳感器數(shù)據(jù)的模型擬合精度為0.7434，基于MODIS傳感器數(shù)據(jù)的模型擬合精度為0.7308.在模型外推適宜性驗(yàn)證結(jié)果當(dāng)中，基于MERIS傳感器數(shù)據(jù)建模的驗(yàn)證結(jié)果相對誤差和相對均方根誤差分別為15%和21%，基于GOCI傳感器數(shù)據(jù)建模的驗(yàn)證結(jié)果相對誤差和相對均方根誤差分別為19%和23%，基于HJ-CCD傳感器數(shù)據(jù)建模的驗(yàn)證結(jié)果相對誤差和相對均方根誤差分別為22%和27%，基于MODIS傳感器數(shù)據(jù)建模的驗(yàn)證結(jié)果相對誤差和相對均方根誤差分別為24%和32%.可以看出基于不同傳感器波段設(shè)置的APPEL模型精度與穩(wěn)定性由高到低分別為基于MERIS傳感器波段設(shè)置、基于GOCI傳感器波段設(shè)置、基于HJ-CCD傳感器波段設(shè)置、基于MODIS傳感器波段設(shè)置.不同傳感器參數(shù)建立的模型精度不同的原因主要是，建模所用實(shí)測數(shù)據(jù)的光譜曲線顯示紅波段的葉綠素吸收峰和近紅外波段的葉綠素反射峰分別位于677和707nm附近，且CDOM的敏感波段位于440nm附近，而建模所用的遙感傳感器波段設(shè)置與這些特征波長均有不同程度的偏離，不能最大程度地獲取特征信息.并且不同傳感器的光譜分辨率不同，也會(huì)影響特征信息的獲取.這些問題都會(huì)對模型精度產(chǎn)生不同程度的影響.

2.4 傳感器波段設(shè)置對模型精度的影響分析

從模型擬合結(jié)果和外推性驗(yàn)證結(jié)果可以看出，對于不同模型，基于MERIS傳感器波段數(shù)據(jù)的模型擬合結(jié)果精度和外推性都是最好的，其次為GOCI、HJ-CCD、MODIS.分析實(shí)測數(shù)據(jù)遙感反射率和葉綠素濃度之間的相關(guān)性可以看出，相關(guān)系數(shù)最小值出現(xiàn)在葉綠素吸收波段677nm，相關(guān)系數(shù)最大值出現(xiàn)在葉綠素反射峰值附近的707nm，通過循環(huán)迭代方法得出三波段最佳位置分別為677、706、730nm.結(jié)合建模使用的傳感器波段參數(shù)，對于葉綠素強(qiáng)吸收的紅波段HJ-CCD、MODIS、MERIS、GOCI對應(yīng)的波段中心波長分別為660、645、665、680nm，分別和特征波長相差17、32、12、3nm.對于葉綠素高反射的近紅外波段HJ-CCD、MODIS、MERIS、GOCI對應(yīng)的波段中心波長分別為830、858.5、708.75、745nm，分別和特征波長相差123、151.5、1.75、38nm.對于730nm波段MERIS、GOCI對應(yīng)的波段中心波長分別為778.75、865nm，分別和特征波長相差48.75、135nm，而基于HJ-CCD和MODIS傳感器的三波段建模使用了波段組合代替近紅外波段.對于CDOM敏感波段440nm，HJ-CCD、MODIS、MERIS、GOCI對應(yīng)的波段中心波長分別為475、469、442.5、443nm，和特征波長分別相差35、29、2.5、3nm.MERIS和GOCI的波段設(shè)置都較為接近特征波長，相比較之下，HJ-CCD和MODIS的波段設(shè)置和特征波長有較大偏離.另一方面，不同傳感器的光譜分辨率不同，這些因子都會(huì)對葉綠素濃度模型反演的最終效果產(chǎn)生影響.

2.4.1 波段寬度的影響 為了檢驗(yàn)波段寬度對葉綠素濃度反演模型的影響，以實(shí)測數(shù)據(jù)分析出的特征波長作為中心波長，分別擬合出1、5、10、15、20、25、30、40、50、60、70、80nm波寬的各特征波段，然后構(gòu)建葉綠素濃度反演差值模型、比值模型、三波段模型和APPEL模型.從圖6可以看出，模型擬合精度和驗(yàn)證精度由高到低分別為APPEL模型、三波段模型、差值模型和比值模型.當(dāng)波寬在1～30nm之間變化時(shí)，4個(gè)模型擬合結(jié)果決定系數(shù)呈現(xiàn)比較穩(wěn)定的趨勢，在0.81～0.86之間略微變動(dòng)；當(dāng)波段寬度大于30nm時(shí)，模型擬合結(jié)果決定系數(shù)呈現(xiàn)降低趨勢，并在40nm之后明顯降低；當(dāng)波寬為80nm時(shí)，差值模型、比值模型、三波段模型和APPEL模型的決定系數(shù)分別為0.57、0.55、0.63和0.70.模型驗(yàn)證結(jié)果與擬合結(jié)果一致，波寬小于30nm時(shí)，驗(yàn)證結(jié)果相對誤差和相對均方根誤差波動(dòng)不明顯，波寬大于30nm時(shí)，驗(yàn)證結(jié)果相對誤差和相對均方根誤差開始逐漸增大.模型的精度隨波寬的增加而逐漸降低的原因主要是當(dāng)波寬較小時(shí)，葉綠素特征波長處的信息可以最大程度被獲取，模型的信噪比高，而當(dāng)波寬變大，較大的波段寬度包含更多的噪聲，對葉綠素特征信息產(chǎn)生一定程度的模糊，降低了模型的信噪比.另外，由于紅、近紅外波段比較接近，當(dāng)波段過寬時(shí)，兩個(gè)波段的光譜信息會(huì)出現(xiàn)互相包含現(xiàn)象，這都會(huì)影響模型的精度與穩(wěn)定性.從上述分析可以看出在特征波長處，當(dāng)波段寬度小于30nm時(shí)，波寬的變化對4個(gè)模型的精度不會(huì)產(chǎn)生較大的影響.

圖6 以特征波長為中心不同波段寬度模型擬合結(jié)果與驗(yàn)證結(jié)果Fig.6 Fitting and validation results of the models based on different band widths centering around the characteristics wavelengths

2.4.2 波段位置的影響 為了驗(yàn)證波段位置對葉綠素濃度反演模型精度的影響，以HJ-CCD、MODIS、MERIS、GOCI各波段中心波長作為中心波長，分別擬合出1、5、10、20、30、40、50、60、70、80nm波寬的各特征波段，構(gòu)建葉綠素濃度反演差值模型、比值模型、三波段模型和APPEL模型，模型擬合結(jié)果和驗(yàn)證結(jié)果如圖7、圖8所示.

圖7 以傳感器波段中心波長為中心的不同波段寬度模型擬合結(jié)果Fig.7 Fitting results of the models based on different band widths centering around the center wavelengths of the sensor bands

圖8 以傳感器波段中心波長為中心的不同波段寬度模型驗(yàn)證結(jié)果Fig.8 Validation results of the models based on different band widths centering around the center wavelengths of the sensor bands

從模型擬合結(jié)果與驗(yàn)證結(jié)果可以看出，對于不同的波段位置與波段寬度，APPEL模型的精度最高，其次是三波段模型，差值模型和比值模型反演精度相對較低.

對于HJ-CCD傳感器，波段寬度從1～60nm變化時(shí)，各模型的擬合結(jié)果決定系數(shù)呈現(xiàn)逐漸增大的趨勢，并且模型驗(yàn)證結(jié)果相對誤差逐漸減小.波寬為60nm處各模型的反演精度最好，差值模型、比值模型、三波段模型和APPEL模型擬合結(jié)果決定系數(shù)分別為0.6、0.58、0.66、0.77，驗(yàn)證結(jié)果相對誤差分別為0.44、0.46、0.32、0.20.當(dāng)波段寬度大于60nm之后，各模型的精度開始呈現(xiàn)下降趨勢.對于MODIS傳感器，當(dāng)波段寬度從1～40nm逐漸增加，各模型的精度逐漸升高.對于MODIS傳感器波段設(shè)置來說，波段寬度為40nm時(shí)，各模型的反演精度最優(yōu)，差值模型、比值模型、三波段模型和APPEL模型擬合結(jié)果決定系數(shù)分別為0.57、0.56、0.64、0.75，驗(yàn)證結(jié)果相對誤差分別為0.51、0.52、0.35、0.23，波寬大于40nm后模型精度開始下降.對于MERIS傳感器波段位置設(shè)置，當(dāng)波段寬度為10nm時(shí)，各模型反演精度最高，差值模型、比值模型、三波段模型和APPEL模型擬合結(jié)果決定系數(shù)分別為0.74、0.74、0.79、0.84，驗(yàn)證結(jié)果相對誤差分別為0.36、0.38、0.27、0.13，當(dāng)波寬由10nm逐漸增加時(shí)，模型的精度逐漸降低.對于GOCI傳感器波段設(shè)置，波段寬度從1～30nm，模型反演精度逐漸升高，30nm處各模型的精度最高，差值模型、比值模型、三波段模型和APPEL模型擬合結(jié)果決定系數(shù)分別為0.72、0.68、0.75、0.80，驗(yàn)證結(jié)果相對誤差分別為0.41、0.42、0.30、0.17，30nm之后模型精度開始降低.

綜上所述，傳感器波段的光譜范圍對葉綠素濃度反演模型的精度產(chǎn)生一定影響，由于不同傳感器波段位置設(shè)置并不相同，對于相同的葉綠素濃度反演模型，其最優(yōu)的光譜范圍也不相同.例如MERIS傳感器的波段位置比較接近葉綠素的特征波長，因此較小的波譜范圍即可包含大量特征信息，而波寬增加時(shí)，噪聲也相應(yīng)增加，模型的信噪比降低.而HJ-CCD傳感器的波段位置離葉綠素特征波長較遠(yuǎn)，所以波段光譜范圍較窄時(shí)，波段包含的葉綠素特征信息較少，影響模型反演精度，當(dāng)波段寬度增加到一定范圍時(shí)，波段內(nèi)信噪比增大，模型精度得到提高.所以對于不同的波段設(shè)置，特定寬度的光譜范圍才能夠最大程度地增加模型的信噪比，得到最為理想的反演結(jié)果.

3 結(jié)論

本文利用太湖水體實(shí)測水質(zhì)參數(shù)和同步光譜數(shù)據(jù)，結(jié)合HJ-CCD、MODIS、MERIS、GOCI傳感器波段參數(shù)，分別建立差值模型、比值模型、三波段模型和APPEL模型反演太湖水體葉綠素濃度，并對反演結(jié)果進(jìn)行比較分析.

太湖葉綠素濃度反演模型精度由高到低分別是APPEL模型、三波段模型、差值模型、比值模型，對于同一模型，按反演精度由高到低順序，模型使用的傳感器數(shù)據(jù)分別為MERIS、GOCI、HJ-CCD、MODIS.APPEL模型具有相對較好的穩(wěn)定性與外推性，可以推廣到遙感水色衛(wèi)星反演太湖水體葉綠素濃度.

不同的波段寬度與波段位置對葉綠素濃度反演模型有一定影響，相對而言，波段位置的設(shè)置對葉綠素濃度反演具有更加重要的影響，當(dāng)波段位置接近葉綠素特征波長時(shí)，較窄的波寬有利于提高模型的精度，波段位置和葉綠素濃度特征波長相差較大時(shí)，合理地增加波譜范圍有利于葉綠素特征信息的獲取.

[1] 李素菊,吳 倩,王學(xué)軍等.巢湖浮游植物葉綠素含量與反射光譜特征的關(guān)系.湖泊科學(xué),2002,14(3):230-233.

[2] 曠 達(dá),韓秀珍,劉 翔等.基于環(huán)境一號衛(wèi)星的太湖葉綠素a濃度提取.中國環(huán)境科學(xué),2010,30(9):1268-1273.

[3] 樂成峰,李云梅,孫德勇等.基于季節(jié)分異的太湖葉綠素濃度反演模型研究.遙感學(xué)報(bào),2007,11(4):473-480.

[4] Kahru M, Michell BG, Diaz Aetal. MODIS detects a devastating algal bloom in Paracas Bay, Peru.EOS, 2004, 85(45): 465-472.

[5] Gitelson AA, Merzlyak MN. Relationships between leaf chlorophyll content and spectral reflectance and algorithms for non-destructive chlorophyll assessment in higher plant leaves.JournalofPlantPhysiology, 2003,160(3): 271-282.

[6] Zimba PV, Gitelson A. Remote estimation of chlorophyll concentration in hyper-eutrophic aquatic systems: Model tuning and accuracy optimization.Aquaculture, 2006,256(1):272-286.

[7] Dall’Olmo G, Gitelson AA. Effect of bio-optical parameter variability on the remote estimation of chlorophyll-a concentration in turbid productive waters: experimental results.AppliedOptics, 2005,44(3):412-422.

[8] 周冠華,柳欽火,馬榮華等.基于半分析模型的波段最優(yōu)化組合反演混濁太湖水體葉綠a.湖泊科學(xué),2008,20(2):153-159.

[9] 楊 煜,李云梅,王 橋等.富營養(yǎng)化的太湖水體葉綠素a濃度模型反演.地球信息科學(xué)學(xué)報(bào),2009,11(5):597-603.

[10] 徐京萍,張 柏,宋開山等.基于半分析模型的新廟泡葉綠素a濃度反演研究.紅外與毫米波學(xué)報(bào),2008,27(3):197-201.

[11] El-Alem A, Chokmani K, Laurion Ietal. Comparative analysis of four models to estimate chlorophyll-a concentration in case-2 waters using MODerate Resolution Imaging Spectroradiometer(MODIS) Imagery.RemoteSensing, 2012,4(8): 2373-2400.

[12] 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.遙感學(xué)報(bào),2004,8(1):37-44.

[13] 陳宇煒,陳開寧,胡耀輝.浮游植物葉綠素a測定的“熱乙醇法”及其測定誤差的探討.湖泊科學(xué),2006,18(5):550-552.

[14] Dall'Olmo G, Gitelson AA. Effect of bio-optical parameter variability on the remote estimation of chlorophyll-a concentration in turbid productive waters: experimental results.AppliedOptics, 2005,44(3): 412-422.

[15] Gitelson AA, Schalles JF, Hladik CM. Remote chlorophyll-a retrieval in turbid, productive estuaries: Chesapeake Bay case study.RemoteSensingofEnvironment, 2007,109(4): 464-472.

[16] Babin M, Stramski D. Light absorption by aquatic particles in the near-infrared spectral region.LimnologyandOceanography, 2002,47(3):911-915.

[17] Gons HJ. Optical teledetection of chlorophyll a in turbid inland waters.EnvironmentalScience&Technology, 1999,33(7): 1127-1132.

[18] Liu W, Liu Y, Mannaerts CMetal. Monitoring variation of water turbidity and related environmental factors in Poyang Lake National Nature Reserve, China. In: eoinformatics 2007. International Society for Optics and Photonics, 2007:67541H-67541H-12.

[19] Hu C, Chen Z, Clayton TDetal. Assessment of estuarine water-quality indicators using MODIS medium-resolution bands: Initial results from Tampa Bay, FL.RemoteSensingofEnvironment, 2004,93(3): 423-441.

[20] Luciani X. Analyse numérique des spectresde fluorescence 3D issus de mélanges non linéaires[Dissertation]. Toulon: Université du Sud Toulon Var, 2007.

[21] 金惠淑,魚京善,孫文超等.基于GOCI遙感數(shù)據(jù)的湖泊富營養(yǎng)化監(jiān)測研究.北京師范大學(xué)學(xué)報(bào):自然科學(xué)版,2013,49(2/3):271-274.

[22] 劉小麗,沈 芳,朱偉健等.MERIS衛(wèi)星數(shù)據(jù)定量反演長江河口的懸沙濃度.長江流域資源與環(huán)境,2009,18(11):1026-1030.

[23] 李云梅,黃家柱,韋玉春等.用分析模型方法反演水體葉綠素的濃度.遙感學(xué)報(bào),2006,10(2):169-175.

[24] 周 正,何 連,劉良明.基于HJ-1A/B CCD數(shù)據(jù)的東湖葉綠素a濃度反演可行性研究.測繪通報(bào),2011,(3):11-14.

[25] 李云亮,張運(yùn)林.基于TM影像的太湖夏季懸浮物和葉綠素a濃度反演.遙感信息,2008,6(2):22-27.

[26] 杜 聰,王世新,周 藝等.利用Hyperion高光譜數(shù)據(jù)的三波段法反演太湖葉綠素a濃度.環(huán)境科學(xué),2009,30(10):2904-2910.

[27] 佘豐寧,李旭立,蔡啟銘等.水體葉綠素含量的遙感定量模型.湖泊科學(xué),1996,8(3):201-207.

[28] 李 偉,殷 為,鄭小慎等.利用SeaDAS從SeaWiFS衛(wèi)星數(shù)據(jù)反演中國東海葉綠素濃度.海洋湖沼通報(bào),2009,(4):152-156.

[29] 聞建光,肖 青,楊一鵬等.基于Hyperion數(shù)據(jù)的太湖水體葉綠素a濃度遙感估算.湖泊科學(xué),2006,18(4):327-336.

[30] 黃昌春,李云梅,徐良將等.內(nèi)陸水體葉綠素反演模型普適性及其影響因素研究.環(huán)境科學(xué),2013,34(2):525-531.

[31] 李云亮,張運(yùn)林,李俊生等.不同方法估算太湖葉綠素a濃度對比研究.環(huán)境科學(xué),2009,30(3):680-686.

[32] 焦紅波,查 勇,李云梅等.基于高光譜遙感反射比的太湖水體葉綠素a含量估算模型.遙感學(xué)報(bào),2006,10(2):242-248.

[33] 李 莉,尹 球,鞏彩蘭等.太湖不同葉綠素a濃度水體熒光特征分析.光譜學(xué)與光譜分析,2011,31(1):136-140.

Suitability of the retrieval models for estimating chlorophyll concentration in Lake Taihu

WANG Shanshan, LI Yunmei, WANG Yongbo, WANG Shuai & DU Chenggong

(JiangsuCenterforCollaborationInnovationinGeographicalInformationResourceDevelopmentandApplication,Nanjing210023,P.R.China)

In order to determine the most suitable retrieval model for estimating chlorophyll concentration in Lake Taihu and provide a reference for the application of the satellite data, the difference model, the ratio model, the three-band model and APPEL model were built to estimate chlorophyll concentration based on the data of MODIS, MERIS, GOCI and HJ-1 CCD sensor. The dataset included the measured water quality parameters and the synchronous spectra data in November 2007, April 2009 and August 2011. The results of the analysis showed that the decision coefficient of the APPEL model was between 0.7308 and 0.8107 for the different satellite data, the relative error was between 15% and 24%, and the root mean square error was between 21% and 32%; The decision coefficient of the three-band model was between 0.6014 and 0.7610, the relative error was between 28% and 36%, and the root mean square error was between 39% and 46%; The decision coefficient of different models was between 0.4954 and 0.7244, the relative error was between 39% and 53%, and the root mean square error was between 51% and 72%; The decision coefficient of the ratio model was between 0.4918 and 0.7098, the relative error was between 41% and 55%, and the root mean square error was between 56% and 75%.To sum up, the APPEL model showed a strong stability and was suitable for the chlorophyll concentration retrieval of Lake Taihu for different sensor data. In addition, different band widths and band positions had different influences on the retrieval model for estimating chlorophyll concentration.When the band position was close to the characteristic wavelength of chlorophyll, narrow band width was beneficial for the accuracy of the model; while when the band position was far away from the position of the characteristic wavelength, the band width should be increased reasonably.

Lake Taihu; chlorophyll concentration; retrieval model; remote sensing

*國家自然科學(xué)基金項(xiàng)目(41271343)資助.2014-01-27收稿；2014-06-12收修改稿.王珊珊(1991～)，女，碩士研究生；E-mail：wshanshan1110@163.com.

**通信作者；E-mail:liyunmei@njnu.edu.cn.