包 穎, 田慶久*, 陳 旻, 呂春光
1. 南京大學國際地球系統(tǒng)科學研究所, 江蘇 南京 210023
2. 江蘇省地理信息技術重點實驗室, 江蘇 南京 210023
3. 香港中文大學太空與地球信息科學研究所, 香港 99077
4. 江蘇省地理信息資源開發(fā)與利用協(xié)同創(chuàng)新中心, 江蘇 南京 210023
基于GOCI影像分類的太湖水體葉綠素a濃度日變化分析
包 穎1, 2, 田慶久1, 2*, 陳 旻3, 4, 呂春光1, 2
1. 南京大學國際地球系統(tǒng)科學研究所, 江蘇 南京 210023
2. 江蘇省地理信息技術重點實驗室, 江蘇 南京 210023
3. 香港中文大學太空與地球信息科學研究所, 香港 99077
4. 江蘇省地理信息資源開發(fā)與利用協(xié)同創(chuàng)新中心, 江蘇 南京 210023
葉綠素a濃度(Chlorophyll-a: Chl-a)是內(nèi)陸水體重要的水質(zhì)參數(shù)之一, 遙感數(shù)據(jù)為其提供了大范圍、 多時相的監(jiān)測信息, 然而由于內(nèi)陸湖泊水色要素復雜的光學性質(zhì)及較大的時空差異, 傳統(tǒng)的遙感影像及單一的Chl-a反演模型在應用中存在著局限性。 因此本研究以太湖為研究區(qū), 時間分辨率1小時的靜止海洋水色衛(wèi)星Geostationary Ocean Color Imager(GOCI)為數(shù)據(jù)源, 在基于層次聚類法實現(xiàn)歸一化實測光譜反射率分類的基礎上, 利用光譜角測距匹配實現(xiàn)2012年5月6日(08:16—15:16) 8景GOCI太湖影像的水體分類; 并針對不同水體類型分別建立基于GOCI影像的Chl-a反演模型, 實現(xiàn)不同類型水體的Chl-a濃度反演。 結果表明, 太湖水體光譜可分為四類, 類型1光譜體現(xiàn)出漂浮藻類的特征, 可將其作為藍藻水華的判定依據(jù); 類型2—4體現(xiàn)的特征分別為水體含有較高Chl-a濃度、 較高懸浮物濃度及相對較低Chl-a較低懸浮物濃度; 并且類型2—4與分類前相比, 其分類模型估算的Chl-a濃度誤差均得到了不同程度的提高, 平均相對誤差分別降低了7%, 12.3%和15.9%; 此外, GOCI影像反演結果不僅可以很好地反映Chl-a濃度的空間分布狀況, 也能反映出太湖Chl-a濃度的日變化差異及規(guī)律, 表現(xiàn)出了其在富營養(yǎng)化污染動態(tài)監(jiān)測及預警中的應用潛力。 該方法在GOCI影像中的應用, 在提高Chl-a濃度反演精度的同時也提高了模型在實際應用中的適用性, 為日后太湖水體不同時刻Chl-a濃度的精確估算提供了基礎。
GOCI; 分類; 葉綠素a濃度; 日變化; 太湖
葉綠素a濃度是反映湖泊富營養(yǎng)化程度的重要指標之一, 對湖泊水質(zhì)狀況及初級生產(chǎn)力的評估等具有重要的意義[1]。 近年來, 遙感技術因其實時、 大范圍、 成本低等優(yōu)點被廣泛用于湖泊水體Chl-a濃度的監(jiān)測[2]。 當前內(nèi)陸水體Chl-a濃度的反演主要基于陸地衛(wèi)星傳感器(TM, HJ-1 CCD, Hyperion, HJ-1A HIS數(shù)據(jù)等)和海洋衛(wèi)星傳感器(SeaWiFS, MERIS等)的遙感數(shù)據(jù)建模實現(xiàn)[3-4], 并取得了不錯的應用效果。 然而由于內(nèi)陸湖泊等II類水體受人類活動影響強烈, 同時也受到風速、 風向及藻類白晝變化等因素的影響[5], 因此湖泊水色要素光學性質(zhì)組成復雜并存在較大的時空差異, 特別是在藍藻爆發(fā)時期, 同一水體的水色要素組分(包括Chl-a濃度)在一天內(nèi)的不同時間、 不同區(qū)域均有所差別[6-7]。 鑒于此, 目前常規(guī)的陸地和海洋衛(wèi)星遙感數(shù)據(jù)因其難以反映一天之內(nèi)湖泊Chl-a濃度的變化, 制約了其在富營養(yǎng)化污染動態(tài)監(jiān)測及預警中的應用; 同時, 針對某一季節(jié)和某一區(qū)域的單一Chl-a濃度反演模型也局限了其在實際應用中的適用性及通用性。
韓國于2010年發(fā)射了全球第一顆地球同步軌道海洋水色衛(wèi)星(搭載在該衛(wèi)星上的傳感器GOCI具有8個波段, 500 m的空間分辨率), 首次將水色衛(wèi)星的時間觀測尺度提高至了1 h, 以滿足短時間尺度內(nèi)水色參數(shù)動態(tài)變化的監(jiān)測需求。 此外, 針對單一Chl-a反演模型在Ⅱ類水體中應用的局限性等特點, 國內(nèi)外學者也通常將水體光學分類算法引入到水質(zhì)參數(shù)的反演中[5, 8]。
因此, 研究以太湖為研究區(qū)獲取太湖實測水質(zhì)參數(shù)及靜止衛(wèi)星數(shù)據(jù)GOCI, 在歸一化實測光譜分類的基礎上完成GOCI影像光譜分類, 并實現(xiàn)基于光譜分類的Chl-a濃度反演, 以期減少傳統(tǒng)單一區(qū)域模型對精度的影響, 同時也便于監(jiān)測與分析太湖Chl-a濃度的日變化分布規(guī)律, 更好的實現(xiàn)太湖水質(zhì)動態(tài)監(jiān)測及富營養(yǎng)化污染的預警。
1.1 研究區(qū)及實測數(shù)據(jù)
太湖是我國五大淡水湖之一, 位于江浙兩省交界處, 現(xiàn)有水域面積2 338 km2, 平均水深約1.9 m, 是一個典型的淺水型湖泊[8]。 近年來, 隨著社會經(jīng)濟的發(fā)展, 太湖水體污染日趨嚴重, 逐漸形成了“藻型生境條件”, 成為了我國典型的富營養(yǎng)化污染湖泊之一[9]。 此外, 由于太湖東部水域水深較淺, 圍網(wǎng)養(yǎng)殖密集, 并且常年有水草生長, 因此本研究只討論西太湖區(qū)域葉綠素a濃度的空間分布及日變化狀況。
本研究于2010年—2012年進行5次太湖野外實驗, 每次實驗均通過手持GPS于西太湖區(qū)域布設樣點, 并在獲取樣點光譜反射率數(shù)據(jù)的同時采集每個樣點的水樣分析獲取Chl-a濃度。 其中光譜測量是采用ASD公司生產(chǎn)的FieldSpec Pro便攜式光譜輻射計, 基于水面以上測量方法實現(xiàn)的[10-11]。 光譜測量的整個過程包括灰板、 水體輻射量及天空光輻射量的測量, 每個采樣點測量5次, 導出數(shù)據(jù)后計算并取平均即可獲得各個采樣點的光譜反射曲線。 Chl-a濃度的測量則采用常規(guī)化學分析方法, 熱乙醇方法獲得[5]。 通過分析并刪除異常樣本點, 進行光譜平滑和積分歸一化處理, 最終共獲取216個樣本點的實測光譜數(shù)據(jù)與Chl-a濃度數(shù)據(jù), 并隨機選取1/3數(shù)據(jù)用于Chl-a反演的精度驗證。
1.2 GOCI影像預處理
本研究使用的遙感影像數(shù)據(jù)為2012年5月6日08時16分—15時16分之間的8景GOCI 1B影像, 該數(shù)據(jù)的影像預處理包括了輻射校正、 幾何校正及Ⅱ類水體的大氣校正。 其中GOCI數(shù)據(jù)的投影變換及輻射校正基于韓國海洋水色中心發(fā)布的官方處理軟件GDPS實現(xiàn), 而幾何校正則利用精糾正后2005年太湖區(qū)域的TM數(shù)據(jù)實現(xiàn)。
此外, 由于水體反射率較低, 傳感器接收到水體目標僅占總輻射量的10%左右, 其余90%均來自于大氣瑞利散射、 氣溶膠散射等因素的影響。 因此, Ⅱ類水體的大氣校正算法對于后續(xù)Chl-a濃度的反演起關鍵性的作用[12]。 本文的GOCI影像遙感反射率值是基于改進的Gordon大氣校正算法實現(xiàn)的, 其中大氣瑞利散射輻射可通過何賢強[13]等利用加倍法求解大氣矢量傳輸方程獲取的瑞利散射查找表獲取, 氣溶膠粒子散射輻射根據(jù)實測氣象數(shù)據(jù)計算得到[12]。
1.3 GOCI影像光譜分類
目前, 國內(nèi)外學者最常用的水體光學分類主要基于水色要素、 透明度、 吸收系數(shù)及光譜反射率等參數(shù)實現(xiàn)[6, 11]。 由于水體遙感反射率是水體各組分吸收、 散射等共同作用的結果, 是估算Chl-a濃度的重要參數(shù), 同時GOCI影像可直接獲取水體光譜反射率, 因此本文的GOCI影像分類是通過遙感反射率分類實現(xiàn)的。 GOCI影像光譜分類主要包括實測光譜分類及基于實測光譜的GOCI影像匹配分類兩個部分: (1)基于層次聚類法實現(xiàn)歸一化實測光譜反射率Rrs的分類, 層次聚類法是按照給定的算法準則進行凝聚或分裂, 直到滿足某個終止條件的聚類算法, 該算法種類眾多, 本研究采用的基于離差平方和(Ward’s method)的凝聚層次聚類法因其無需預先設定聚類數(shù)目、 算法簡單有效等優(yōu)點被成功的應用于實測光譜數(shù)據(jù)Rrs的分類[11]。 (2)在實測光譜數(shù)據(jù)層次聚類的基礎上, 利用GOCI光譜響應函數(shù)對其進行重采樣, 并根據(jù)影像光譜與實測光譜矢量之間的差異, 引入光譜角實現(xiàn)GOCI影像的光譜匹配分類[14]。
1.4 Chl-a反演模型構建
根據(jù)Ⅱ類水體復雜的光學性質(zhì)及Chl-a的吸收和反射特征, 目前?;诩t光和近紅外波段區(qū)域建立半分析模型實現(xiàn)Chl-a濃度的反演[11]。 依據(jù)GOCI影像的波段設置, 本研究利用二波段半分析模型估算Chl-a濃度[4]
(1)
其中cChl-a為GOCI影像葉綠素a濃度;Rrs(λi)為GOCI影像在波長為λi處的反射率值; 其中λ1位于紅光660~690 nm之間, 通常為GOCI的第5波段或第6波段;λ3在730~750 nm之間, 一般為GOCI數(shù)據(jù)的第7波段。
2.1 基于GOCI數(shù)據(jù)的水體分類
由于光譜反射率測量值會受到時間、 天氣及測量角度等因素的影響, 因此為了便于不同季節(jié)光譜數(shù)據(jù)的聚類分析, 本研究首先將原始實測光譜數(shù)據(jù)進行去噪及積分歸一化等預處理, 突出其形狀特征[6], 隨后再利用SPSS中的層次聚類法對其進行分類。 得到不同類型的歸一化水體光譜曲線均值及GOCI光譜曲線均值如圖1所示。 結合不同類型的水體光譜反射率及其相應生物光學特性, 可知四種類型水體特征差異明顯:
類型1在562和712 nm附近具有反射峰, 其中562 nm處的反射峰主要由浮游植物弱吸收、 細胞壁散射及無機懸浮物散射等共同作用形成, 而712 nm處為葉綠素a熒光作用產(chǎn)生的熒光峰; 同時, 該類型由葉綠素在440及675 nm處強吸收形成的峰值也較為明顯, 并且由于漂浮藻類等因素, 類型1在近紅外波段的反射值遠高于其他三種類型(部分曲線呈現(xiàn)出類似植被反射率特征); 重采樣為GOCI波段后, 也可看出類型1在GOCI的第4波段出現(xiàn)峰值, 其第7, 8波段的反射率值明顯高于其他三種類型, 并且在GOCI第2(中心波長443 nm)和第6(中心波長680 nm)波段出現(xiàn)微小的吸收峰; 此外, 類型1葉綠素a濃度均值為189.64 mg·m-3, 總懸浮物濃度均值為72.36 mg·L-1, 是其他三種類型的2~10倍左右; 結合上述特性可知類型1具有高葉綠素a(包括漂浮藻類), 高懸浮物濃度的特征。
類型2在412~710 nm范圍內(nèi)的吸收與散射特征與類型1類似, 在710 nm之后遙感反射率直線下降并趨于平緩; 重采樣到GOCI波段范圍后, 波段1~4呈逐漸上升趨勢, 在GOCI第2波段和第4波段分別出現(xiàn)小吸收峰及反射峰, 且該類型在波段6處也出現(xiàn)微小的吸收峰(由于GOCI影像缺少熒光峰波段, 因此中心波長為745 nm的波段7并沒有很好的體現(xiàn)反射峰的特征, 但總體反射率也高于類型3和4); 類型2葉綠素a濃度均值為61.05 mg·m-3, 總懸浮物濃度均值為28.57 mg·L-1, 為高Chl-a濃度類型。
圖1 太湖水體不同類型的平均光譜曲線
相對類型1和2而言, 類型3在近紅外波段的反射與吸收作用并不明顯, 其主要原因是該類型懸浮物濃度高(均值49.8 mg·L-1)而葉綠素濃度相對較低(均值21.73 mg·m-3), 懸浮物散射特性部分掩蓋了浮游植物的吸收特征。 將該類型重采樣為GOCI波段范圍后, 也可看出相對類型1, 2而言, 在565~865 nm范圍內(nèi), 類型3在波段6的吸收不明顯, 整體曲線緩慢下降。
類型4總體光譜曲線較為平滑, 除了562 nm左右的反射峰, 該類型在412~562及565~710 nm之間沒有明顯的吸收反射特征; 重采樣到GOCI波段范圍內(nèi), 可知除去波段4的反射峰, 該類型在其余各個波段的吸收峰和反射峰都不明顯; 相較于其他類型, 類型4的葉綠素a濃度(12.32 mg·m-3)和懸浮物濃度(均值7.97 mg·L-1)較低。
歸一化后水體光譜可根據(jù)其特征差異分為四種不同的類型, 并且該分類也適用于GOCI波段范圍。 因此, 本研究在此分類基礎上, 根據(jù)光譜矢量形狀, 利用光譜角作為測距, 匹配實現(xiàn)2012年5月6日8景GOCI太湖影像的水體分類。
2.2 基于GOCI數(shù)據(jù)的葉綠素a濃度反演
由于類型1中部分采樣點被漂浮藻類所覆蓋, 傳感器通常只能接收漂浮藻類表面的信號, 因此該類采樣點作為水質(zhì)參數(shù)而言意義不大, 只將其作為藍藻水華的判定依據(jù)[15]。 針對其他三種類型, 則采用式(1)基于紅光和近紅外波段建立的半分析模型來實現(xiàn)Chl-a濃度的反演。 分別將b7/b5和b7/b6作為反演變量, 與不同類別的數(shù)據(jù)(類型2, 3, 4)及未分類前的數(shù)據(jù)建立線性半分析模型, 通過對比分析, 可知對于類型2、 3和未分類前的數(shù)據(jù)而言,b7/b6與Chl-a具有較高的相關性, 而b7/b5與類型4的Chl-a則具有更高的相關性。 分類前后對應的Chl-a濃度的估算公式如下所示:
類型2
cChl-a=224.66×(b7/b6)-75.74 R2=0.736
(2)
類型3
cChl-a=91.12×(b7/b6)-18.18 R2=0.783
(3)
類型4
cChl-a=40.9×(b7/b5)-1.35 R2=0.822
(4)
類型2—4未分類
cChl-a=139×(b7/b6)-34.54 R2=0.707
(5)
為了驗證不同類型所構建模型的精度, 將隨機選取的72個樣本點(占總樣本點的1/3)基于平均相對誤差和均方根誤差進行驗證[8]。 通過計算分析可知, 分類前平均相對誤差為37.4%, 均方根誤差為23.85 mg·m-3; 而分類后Chl-a模型具有較高的精度, 除了類型2平均相對誤差為30.4%, 均方根誤差為18.55 mg·m-3以外, 另外兩種類型的平均相對誤差均在30%以內(nèi), 類型3的平均相對誤差為25.18%, 均方根誤差為13.88 mg·m-3, 類型4的平均相對誤差為21.54%, 均方根誤差為10.81 mg·m-3。 由此可知, 將具有復雜光學性質(zhì)的Ⅱ類水體進行光譜分類建模, 其模型誤差相對分類前都得到了不同程度的降低(分別降低了7%, 12.3%和15.9%), 提高了GOCI反演Chl-a的精度。
2.3 太湖水體葉綠素a濃度日變化分析
基于大氣校正后2012年5月6日的8景GOCI太湖多光譜數(shù)據(jù), 首先分別對其進行歸一化處理, 隨后利用光譜角函數(shù)與實測分類光譜進行匹配, 獲取每個像元的類別, 最后結合分類后的式(2)—式(4)估算獲取太湖水體Chl-a濃度的時空變化圖(如圖2所示)。 綜合2012年5月6日八景Chl-a結果影像可知, 當日太湖水體Chl-a濃度大致呈現(xiàn)湖心地區(qū)較低, 西岸、 西南岸及北部較高的分布趨勢, 并且在梅梁灣、 竺山港、 貢湖、 西南岸等地出現(xiàn)了水華現(xiàn)象, 富營養(yǎng)化污染嚴重; 此外, 除了藍藻聚集堆積的區(qū)域(類型1), 當日太湖大部分區(qū)域水體屬于類型2與類型3, Chl-a濃度分布在0~40 mg·m-3之間, 而在藻類堆積的區(qū)域周圍Chl-a濃度則大多數(shù)在40 mg·m-3以上, 部分區(qū)域高于100 mg·m-3。
圖2 2012年05月06日08:16—15:16太湖葉綠素a濃度時空分布圖
造成該現(xiàn)象的可能原因為太湖的入湖徑流主要集中在西岸及南岸地區(qū), 岸邊的農(nóng)田及生活工業(yè)廢水等隨徑流直接匯入太湖, 為藻類的生長提供了條件, 從而導致這些區(qū)域藍藻水華的爆發(fā); 同時, 由于梅梁灣等區(qū)域水體相對靜止, 當日太湖又受到南風的影響, 因此藻類也更容易在這些區(qū)域堆積, 導致了Chl-a濃度的上升。 從時間變化角度分析可知, 在08時16分—15時16分的八小時內(nèi), 太湖高Chl-a濃度區(qū)域均集中在岸邊, 湖泊西南岸、 西岸及西北岸區(qū)域的水華逐漸擴散, 面積逐漸減少, 其周圍Chl-a濃度變化較大; 除去水華周圍區(qū)域, 湖泊南部Chl-a濃度變化較小, 基本在0~20 mg·m-3之間; 而在太湖的北部, 08時16分—12時16分, 該區(qū)域葉綠素a濃度呈上升趨勢, 大部分區(qū)域為20~40 mg·m-3, 但在此之后該區(qū)域高葉綠素a濃度面積又逐漸減小。 造成該現(xiàn)象的可能原因為, 當日湖區(qū)受南風的影響, 導致了藻類向北部和岸邊逐漸擴散, 同時在08時16分—12時16分之間藻類受光合作用影響向上移位, 引起了湖區(qū)Chl-a濃度的變化, 太湖北部Chl-a濃度的增加; 而在12時16分之后, 由于日照強度增加藻類細胞逐漸失去浮力向下位移[16], 因而造成了該時間段內(nèi)太湖北部區(qū)域高葉綠素a濃度面積的減小。
基于太湖實測參數(shù)及靜止衛(wèi)星數(shù)據(jù)GOCI, 在歸一化實測光譜分類的基礎上實現(xiàn)GOCI影像光譜分類及Chl-a濃度的反演, 進而分析與探討了太湖葉綠素a濃度的空間分布及日變化趨勢。 研究結果表明: (1) 利用歸一化之后的光譜及光譜角匹配方法, 可很好的突出不同光學特性水體光譜的形狀特征, 從而實現(xiàn)GOCI影像的分類, 類別1~4分別為水華類、 較高Chl-a濃度類、 較高懸浮物濃度類及較低Chl-a較低懸浮物濃度類; (2) 在光譜分類基礎上針對類別2~4分別構建相應的估算模型, 分類后模型的平均誤差分別降低了7%, 12.3%和15.9%, 進而減少了區(qū)域單一模型對反演精度造成的影響。 (3) 將分類模型應用到GOCI太湖影像上, 可較好的顯示出太湖水體Chl-a濃度在一天時間內(nèi)的差異性, 且該差異受風速與藻類垂直移動的影響較大, GOCI數(shù)據(jù)在湖泊富營養(yǎng)化污染動態(tài)監(jiān)測及預警中體現(xiàn)出了巨大的應用潛力。
致謝: 感謝韓國水色衛(wèi)星中心KOSC所給予的數(shù)據(jù)支持, KOSC中心Dr. Lee Sunju及南佛羅里達大學孫紹杰的幫助。
[1] Moses W J, Gitelson A A, Perk R L, et al. Water research, 2012, 46(4): 993.
[2] MA Rong-hua, TANG Jun-wu, DUAN Hong-tao, et al(馬榮華, 唐軍武, 段洪濤, 等). Journal of Lake Science(湖泊科學), 2009, 21(2): 143.
[3] YANG Ting, ZHANG Hui, WANG Qiao, et al(楊 婷, 張 慧, 王 橋, 等). Environmental Science(環(huán)境科學), 2011, 32(11): 3207.
[4] Huang C, Zou J, Li Y, et al. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 93: 29.
[5] SUN De-yong, ZHOU Xiao-yu, LI Yun-mei, et al(孫德勇, 周曉宇, 李云梅, 等). Environmental Science(環(huán)境科學), 2013, 34(8): 11.
[6] Vantrepotte V, Loisel H, Dessailly D, et al. Remote Sensing of Environment, 2012, 123: 306.
[7] Le C F, Li Y M, Zha Y, et al. Remote Sensing of Environment, 2011, 115(2): 725.
[8] Li Y, Wang Q, Wu C, et al. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(3): 988.
[9] SHA Hui-min, LI Xiao-shu, YANG Wen-bo, et al(沙慧敏, 李小恕, 楊文波, 等). Transactions of Oceanology and Limnology(海洋湖沼通報), 2009, 3: 9.
[10] TANG Jun-wu, TIAN Guo-liang, WANG Xiao-yong, et al(唐軍武, 田國良, 汪小勇, 等). Journal of Remote Sensing(遙感學報), 2004, 8(1): 37.
[11] Shi K, Li Y, Li L, et al. Science of the Total Environment, 2013, 444: 1.
[12] Gong S, Huang J, Li Y, et al. International Journal of Remote Sensing. 2008, 29(8): 2199.
[13] HE Xian-qiang, PAN De-lu, BAI Yan, et al(何賢強, 潘德爐, 白 雁, 等). Acta Oceanologica Sinica(海洋學報), 2006, 28(1): 47.
[14] van der Meer F. International Journal of Applied Earth Observation and Geoinformation, 2006, 8(1): 3.
[15] SHU Xiao-zhou, YIN Qiu, KUANG Ding-bo(疏小舟, 尹 球, 匡定波). Journal of Remote Sensing(遙感學報), 2000, 4(1): 41.
[16] Reynolds C S, Walsby A E. Biological Reviews, 1975, 50(4): 437.
*Corresponding author
Analysis on Diurnal Variation of Chlorophyll-a Concentration of Taihu Lake Based on Optical Classification with GOCI Data
BAO Ying1, 2, TIAN Qing-jiu1, 2*, CHEN Min3, 4, Lü Chun-guang1, 2
1. International Institute for Earth System Science, Nanjing University, Nanjing 210023, China
2. Jiangsu Provincial Key Laboratory of Geographic Information Science and Technology, Nanjing University, Nanjing 210023, China
3. Institute of Space and Earth Information Science, The Chinese University of Hong Kong, Shatin, Hong Kong 99077, China
4. Jiangsu Center for Collaborative Innovation in Geographical Information Resource Development and Application, Nanjing 210023, China
Chlorophyll-a (Chl-a) concentration is one of the most important parameters for the analysis of inland water quality. Remote sensing data with the advantages of wide spatial area and multi-temporal monitoring has been applied as a reliable source of Chl-a concentration. However, as optical characteristics of inland water bodies are complex with high spatial and temporal (diurnal) variations, there are still limitations to estimate Chl-a concentration with traditional remote sensing data and single model. In the proposed solution, the first geostationary ocean color satellite sensor, Geostationary Ocean Color Imager (GOCI), which provides an image per hour (eight images per day from 8:16 to 15:16), was used as a data source of Taihu Lake. Based on hierarchical clustering method, water types were identified from in situ normalized spectral reflectance collected in Taihu Lake (216 samples in different seasons from 2010 to 2012). Then eight GOCI images which were obtained on May 6th, 2012 were classified separately according to different water types by calculating spectral angle distance between each spectrum in GOCI images and the classified spectra. According to the classified remote sensing images and the spectral bands of GOCI data, classed-based models were subsequently developed for the estimation of Chl-a concentration. The results indicated that four water types (Type 1 to Type 4) were identified based on the in situ normalized spectral reflectance in Taihu Lake. The spectra of Type 1 mainly represented the characteristics of floating algae. This type had little significance to in estimating Chl-a concentration because sensors could only receive signal of floating algae. Then Type 1 was usually used as the evidence of algal blooms. Meanwhile, two-band semi-analytical algorithms were established for Type 2—Type 4 waters which were separately dominated by Chl-a concentration, high suspended solid, low Chl-a and low suspended solid. Comparing with the two-band algorithms, band 7 and band 6 combination was more suitable for Type 2 and Type 3 while the correlation between Chl-a concentration andb7/b5 was higher than that betweenb7/b6 for Type 4. The accuracies of classification models (Type 2—Type 4) were higher than that of the overall model, with the reduced average relative errors of 7%, 12.3% and 15.9%, respectively. Moreover, the inversion results of GOCI data not only reflected the spatial distribution of Chl-a, but also showed the diurnal variation of the Chl-a concentration of Taihu Lake. This study has demonstrated great potential for dynamic monitoring of eutrophication pollution with GOCI data. In addition, the results suggested that optical classification algorithm can improve the accuracy of Chl-a concentration and the application performance of semi-analytical model. GOCI data and the class-based algorithm provide a basis for accurate estimation of diurnal and spatial variation of Chl-a concentration.
GOCI; Classification; Chlorophyll-a concentration; Diurnal variation; Taihu Lake
Jan. 6, 2015; accepted May 5, 2015)
2015-01-06,
2015-05-05
“973”前期專項(2010CB434801), 國家“十二五”支撐項目(2012BAH32B03), 江蘇省研究生培養(yǎng)創(chuàng)新工程立項項目(CXLX12_0040)和南京大學優(yōu)秀博士研究生科研能力提升計劃B項目(2014001B009)資助
包 穎, 1987年生, 南京大學國際地球系統(tǒng)科學研究所博士研究生 e-mail: ninabao_nju@163.com *通訊聯(lián)系人 e-mail: tianqj@nju.edu.cn
O657.3
A
10.3964/j.issn.1000-0593(2016)08-2562-06