基于水華藍藻固有光學特性的主要類群定量識別方法*

褚 喬，張壹萱，張玉超 ，馬榮華，胡旻琪

(1：中國科學院南京地理與湖泊研究所中國科學院流域地理學重點實驗室，南京 210008) (2：中國科學院大學，北京 100049) (3：淮陰師范學院，江蘇區(qū)域現(xiàn)代農(nóng)業(yè)與環(huán)境保護協(xié)同創(chuàng)新中心，淮安 223300)

我國五大淡水湖中太湖、巢湖、洪澤湖和滇池均處于輕度乃至中度富營養(yǎng)化狀態(tài)[1]. 藍藻通常為富營養(yǎng)化水體的優(yōu)勢藻種[2-3]. 藍藻的大量繁殖使水體呈現(xiàn)綠色或藍色，這是湖泊水體富營養(yǎng)化的重要特征，水體藍藻暴發(fā)不僅會造成魚蝦死亡，導致水體污染，還會直接威脅到當?shù)亟?jīng)濟發(fā)展，我國已經(jīng)成為世界上藍藻水華暴發(fā)最嚴重、分布最廣的國家之一[4]. 我國富營養(yǎng)化湖泊中，形成水華的藍藻主要包括微囊藻(Microcystis)、魚腥藻(Dolichospermum)、束絲藻(Aphanizomenon)和顫藻(Oscillatoria)等，其中以銅綠微囊藻(M.aeruginosa)在數(shù)量和發(fā)生頻率上占絕對優(yōu)勢[5]. 根據(jù)文獻顯示，就年平均水平的群落組成和空間分布而言，藍藻占巢湖藻種的絕對主導地位(超過總數(shù)的99.4%)[6]，且巢湖的藍藻以微囊藻和魚腥藻為主，部分區(qū)域以束絲藻為主[7]. 不同藍藻類群的危害、環(huán)境適應性、時空分布特征以及應急治理方法不同，因此在實施富營養(yǎng)化湖泊生態(tài)環(huán)境治理與恢復、藍藻生態(tài)災害預測預警的過程中，掌握不同藍藻的時空分布特征就顯得尤為重要.

藻類種群識別涉及生物學、光譜分析等多個學科領域，主要分為傳統(tǒng)識別方法和遙感識別方法. 傳統(tǒng)藻類識別方法大都是利用藻類的細胞形態(tài)特征[8-9]、藻種DNA[10]、色素特征光譜(高效液相色譜法[11-12])、熒光光譜特征[13-14]和吸收光譜特征[15]進行區(qū)分[16].

而藻類的遙感識別方法主要依據(jù)固有光學特性或者表觀光學特性. 藻類的吸收特性和散射特性是目前基于固有光學特性開展藻類遙感監(jiān)測的基礎. Mahoney[17]在固有光學特性的基礎上建立了腰鞭毛藻的生物光學定量反演模型；Martinez-Guijarro等[18]根據(jù)浮游藻類吸收系數(shù)光譜曲線識別浮游藻類組成成分；黃昌春等[19]利用四階微分、標準化系數(shù)等方法對太湖水體藻類組成進行計算分析. Boddy等[20]利用浮游藻類的熒光特性和散射特性的差異識別藻類；馬萬泉[21]、戴紅亮[22]、呂恒等[23-24]和王瑜[25]基于室內(nèi)控制試驗及模擬試驗，及色素吸收特征、藻細胞特征和反射光譜特征等探索性地建立了藻種門類間比例遙感估算方法. 國內(nèi)外亦有基于藻類反射光譜特征開展藻類遙感識別的相關研究. 崔延偉等[26]利用687～728 nm波段的特征反射峰、Lee等[27]利用活體藻類的熒光特性、Hunter等[28]利用不同藻種的反射率光譜，先后對藻類進行了識別.

由此可見，目前研究主要集中在海洋中不同藻種的遙感反演，盡管內(nèi)陸湖泊亦有少量針對不同門類間藻類遙感反演的研究報道，但是針對主要水華藍藻類群(微囊藻、魚腥藻、束絲藻)的遙感反演基礎理論方面的研究尚未見到公開發(fā)表文獻. 張壹萱等[29]基于室內(nèi)控制實驗，對微囊藻、魚腥藻、束絲藻3種典型水華藍藻的固有光學特性和影響因子進行研究，結果表明，3種主要水華藍藻吸收系數(shù)的波譜特征趨勢相近，440、620和675 nm波長附近有明顯的吸收峰. 魚腥藻在440 nm處有較高的吸收能力，微囊藻在620和675 nm波長處有較高的吸收能力. 微囊藻與束絲藻散射光譜曲線均呈現(xiàn)隨波長增加而下降的趨勢，魚腥藻的散射波譜相對緩和且平滑，3種水華藍藻均在440和675 nm處有微弱的散射谷. 這3種藍藻的吸收系數(shù)和散射系數(shù)都隨著色素濃度(葉綠素a(Chl.a)或藻藍素)增加而增大.

本研究在該研究結果[29]的基礎上，通過甄別不同水華藍藻的吸收和散射的特征波段，構建微囊藻、魚腥藻和束絲藻3種水華藍藻類群的定量識別模型，并以巢湖為應用區(qū)域，實現(xiàn)主要水華藍藻類群的定量監(jiān)測，為我國富營養(yǎng)化湖泊藍藻水華的預測、預警提供重要的技術支撐.

1 實驗部分

1.1 實驗參數(shù)測量

1.1.1 室內(nèi)實驗 本研究在光照培養(yǎng)箱中對銅綠微囊藻、水華魚腥藻和水華束絲藻3種藍藻進行純藻種和混合藻種培養(yǎng)，培養(yǎng)基均為BG-11. 經(jīng)過無菌實驗室內(nèi)的保種，將純藻接種至50 mL的三角錐形瓶中，生長7～10 d后進行逐級擴大培養(yǎng). 培養(yǎng)環(huán)境為溫度25℃，光照強度2000 lx，光周期為12 h光照/12 h黑暗，主要流程為：將50 mL的三角錐形瓶和配置的營養(yǎng)液進行高溫高壓滅菌后，在無菌室進行接種和保種，每日搖晃3～4次，生長7～10 d后，重復上述操作擴大培養(yǎng)至100 mL，直至總藻量達到5 L，在藻類生長的穩(wěn)定期時獲取數(shù)據(jù).

單藻的室內(nèi)光學控制實驗過程如下：向有機玻璃桶中加入150 L純水和2 L純藻液，后以500 mL為梯度分5次加入藻的母液，最終使桶內(nèi)有4.5 L藻的母液. 由于束絲藻生長緩慢，束絲藻實驗中以500 mL為梯度分3次加入藻的母液. 本研究的實驗是連續(xù)性實驗，所以單藻混合實驗的具體過程請參見第一階段論文[29].

雙藻混合實驗過程如圖1 a 所示，向桶中加入150 L純水和2 L純藻液i，后以500 mL為梯度加入純藻液j，測量各參數(shù)，重復操作4次，使j藻量最終達到2 L(i和j分別為微囊藻、魚腥藻、束絲藻中任意兩種)，一共構建12組混合實驗. 三藻混合實驗與單藻和雙藻實驗類似，加入150 L純水后，以500 mL為梯度依次加入束絲藻、微囊藻、魚腥藻500 mL，一共構建10組混合藻比例(圖1b).

圖1 藻類混合實驗流程圖:(a)雙藻；(b)三藻Fig.1 Experimental flow chart: (a) two cyanobacteria groups; (b) three cyanobacteria groups

圖2 巢湖野外采樣點位分布Fig.2 Distribution of sampling sites in Lake Chaohu

1.1.2 室外實驗 巢湖是中國第5大淡水湖，是位于安徽省中部的富營養(yǎng)化淺水湖泊，面積770 km2(31°25′～31°43′N，117°17′～117°51′E，圖2)，平均水深3.0 m[30]. 巢湖富營養(yǎng)化程度嚴重，近幾十年來，藍藻水華一直是巢湖最嚴重的環(huán)境污染問題之一，不僅會引起水質(zhì)惡化，破壞生態(tài)系統(tǒng)結構，還會引起水體生態(tài)系統(tǒng)功能改退化，造成生態(tài)環(huán)境風險或直接的環(huán)境污染. 因此，開展巢湖藍藻類群的識別研究對于評價藍藻生態(tài)環(huán)境風險、有針對性地采取措施控制巢湖水華藍藻以及建立水質(zhì)的預警系統(tǒng)尤為重要.

2013年5月進行1次巢湖野外垂向采樣，2016年12月-2017年8月對巢湖進行了4次表層巡測采樣(圖2). 垂向采樣每個點位采集9層水樣，包括表層、深度0.1、0.2、0.4、0.7、1.0、1.5、2.0和3.0 m. 垂向分層水樣采集使用自制的垂向水樣采集器，主要由直徑 10 cm 的抽水泵、連接管、標尺，進水口的位置和深度參考標尺組成. 表層水樣直接用采水瓶采集. 現(xiàn)場采集的水樣放在冷藏保溫箱里遮光保存，當天進行過濾處理，實驗室內(nèi)實測數(shù)據(jù)包括Chl.a濃度及其對應組分的吸收系數(shù).

1.1.3 參數(shù)測量 顆粒物吸收系數(shù)采用定量濾膜技術測定. 用分光光度計(UV-2600)測量過濾水樣后直徑為47 mm的GF/F膜得到總顆粒物吸收系數(shù)(ap)；再用NaClO3對濾膜上的總懸浮顆粒物進行漂白，從而測得非色素顆粒物吸收系數(shù)(ad)；浮游植物色素吸收系數(shù)(aph)為ap與ad的差值[31].

Chl.a濃度采用丙酮萃取法及分光光度計法測定. 用1.2 μm的GF/C濾膜過濾水樣，使用液氮反復凍融3次破碎藻細胞，加入90%丙酮溶液后經(jīng)過離心機(TG16-WS)離心提取Chl.a，而后用分光光度計分別在750、663、645和630 nm波長處測定葉綠素吸光度值，從而獲得Chl.a的濃度[32-34].

吸收和衰減系數(shù)測量：光學控制實驗中使用的儀器為Wetlabs公司的高光譜吸收/衰減儀(AC-S). 該儀器在400～730 nm光譜范圍內(nèi)有80個波段輸出，光譜分辨率為4 nm，測量精準度為±0.01 m-1. 該儀器可以同步測量吸收和衰減系數(shù)，能夠通過保證同步性來控制實驗誤差.

1.2 水華藍藻類群定量識別模型構建

浮游藻類的吸收、散射以及后向散射特性均屬于固有光學特性，具有嚴格的累加性[35]，因此，混合藍藻的固有光學特性是每個組成藍藻固有光學特性的線性疊加，因此，本研究中3種水華藍藻的總吸收系數(shù)和總散射系數(shù)可以轉化為每種藍藻的吸收系數(shù)和散射系數(shù)的多元線性回歸. 由于本研究中水華藍藻主要為3種，每種藍藻的Chl.a濃度為未知變量C微囊藻、C魚腥藻和C束絲藻，在已知藍藻的總Chl.a濃度(Ct)、總吸收系數(shù)(at)和總散射系數(shù)(bt)的情況下，通過確定2個特征波段即可構建三元一次方程組從而求解出C微囊藻、C魚腥藻和C束絲藻.

表1 主要水華藍藻固有光學特性的特征波段

基于固有光學特性分析[29]，可用于定量識別3種水華藍藻固有光學特性的特征波段匯總如表1所示. 本研究依據(jù)這些特征波段，分別構建基于吸收特征波段、散射特征波段以及吸收散射特征波段的定量識別模型.

1.2.1 單位葉綠素a濃度的固有光學特性曲線擬合 受藻密度和包裹效應的影響，單位Chl.a濃度藻類的吸收、散射系數(shù)并不固定，因此需要通過實驗與公式擬合來建立與Chl.a濃度的關系，從而去除包裹效應的影響. 室內(nèi)光學實驗的結果顯示：單位Chl.a濃度藻類的吸收以及散射光譜與相關研究具有較好的一致性[29]，在此基礎上本研究分別擬合了3種水華藍藻在特征波段上的吸收、散射系數(shù)隨Chl.a濃度變化的曲線，即：

(1)

(2)

式中，a*、b*分別為單位Chl.a濃度藻類的吸收、散射系數(shù)，m2/mg；fa、fb分別為擬合函數(shù)；C為 Chl.a濃度，mg/m3；i為微囊藻、魚腥藻或束絲藻；λa、λb分別為吸收、散射的特征波段，nm. 3種藍藻在特征波段上，單位Chl.a濃度固有光學特性擬合曲線詳見表2.

每種藍藻的吸收、散射將通過該濃度對應的單位吸收、散射系數(shù)進行計算，即：

(3)

(4)

式中，a、b分別為吸收、散射系數(shù)，m-1.

1.2.2 基于固有光學特性的水華藍藻類群定量識別模型 1)模型構建：固有光學特性和Chl.a濃度均具有加和性，因此，本研究中藍藻的at即為am、ad和aa吸收系數(shù)之和，Ct亦為3種藍藻的濃度(Cm、Cd、Ca)之和，即：

(5)

結合公式(1)和(3)，將藍藻在2個特征波段總吸收的加和性作為限制條件，總Chl.a濃度的加和性作為目標函數(shù)，可采用線性最優(yōu)規(guī)劃方法求解3種藍藻的Chl.a濃度值.

本研究建立的基于吸收特性的水華藍藻類群定量識別模型如下：

a-CIM440,620:

(6)

a-CIM440,675:

(7)

a-CIM620,675:

(8)

a-CIM440,620,675:

(9)

Cm，Cd，Ca≥0

與吸收特性類似，藍藻的bt為其所包含3種水華藍藻散射系數(shù)(bm、bd、ba)之和，Ct亦為3種藍藻的濃度(Cm、Cd、Ca)之和，即：

(10)

本研究中，結合公式(2)和(4)，同樣依據(jù)類似的方法采用線性最優(yōu)規(guī)劃方法求解3種藍藻的Chl.a濃度值.

基于散射特性的水華藍藻類群定量識別模型如下：

b-CIM440,675：

(11)

2)精度評價方法：上述水華藍藻類群定量識別模型采用非線性最優(yōu)化方法求得最終結果，具體實施基于MATLAB語言中fmincon()函數(shù)，主要分為目標函數(shù)和限制條件兩部分，目標函數(shù)是Chl.a總濃度的加和性，限制條件具體指Chl.a濃度與3種藍藻固有光學特性間的擬合公式，在此基礎上同時定義3種藍藻的Chl.a濃度介于0和總濃度之間，通過編程實現(xiàn)非線性多元函數(shù)求最優(yōu)解的計算.

為了評價模型的精度，本研究將雙藻和三藻混合實驗數(shù)據(jù)作為驗證數(shù)據(jù)，同時選取均方根誤差(RMSE)、相對均方根誤差(RMSErel)、平均標準差(MNB)以及標準均方根誤差(NRMS)[36]作為模型精度評價指標：

αi=Yi-Xi

(12)

(13)

(14)

(15)

(16)

(17)

式中，X為實測值，Y為模型計算值.

2 結果與討論

2.1 藻類實驗結果

基于上述評價指標，本研究對所構建的5種藍藻類群水華定量識別模型分別進行了精度評價，具體結果如表3所示.

2.1.1 純藻實驗結果 對于建模的純藻實驗數(shù)據(jù)，a-CIM440,620、a-CIM440,620,675、b-CIM440,675均給出了較好的定量識別結果. 3種主要水華藍藻在440、620和675 nm處的吸收和散射特征差異顯著，因此在互不干擾的情況下，上述3種模型對3種水華藍藻的定量識別能力較高. 圖3a展示了基于a-CIM440,620,675的不同藍藻類群定量識別結果和監(jiān)測值的對比. 由該圖可知，a-CIM440,620,675模型對微囊藻和魚腥藻的識別精度較高，圖中點位基本分布在1∶1線附近，而束絲藻則在高濃度區(qū)域出現(xiàn)了一定程度的低估.

2.1.2 雙藻實驗結果 雙藻混合實驗數(shù)據(jù)中所有模型的定量識別能力都有所下降，總體上，基于吸收的模型的定量識別能力明顯優(yōu)于基于散射的模型，其中基于440、620和675 nm 3個波段吸收的a-CIM440,620,675顯示了較為穩(wěn)定的定量識別能力，而基于兩個波段吸收的模型定量識別能力較弱，說明混合藻類實驗中，不同藍藻之間有所干擾，因此從混合藍藻中定量識別不同藍藻需要更多波段信息才更準確. 圖3b是基于雙藻混合實驗數(shù)據(jù)a-CIM440,620,675模型計算值與監(jiān)測值的對比，由該圖可知，a-CIM440,620,675模型對微囊藻和魚腥藻的定量識別結果與監(jiān)測值較好地分布在1∶1線附近，而對束絲藻的定量識別結果略低于監(jiān)測值.

表3 模型評價結果

2.1.3 三藻實驗結果 3種藍藻混合實驗驗證5種定量識別模型發(fā)現(xiàn)，由于3種水華藍藻在吸收和散射上的累積疊加，吸收、散射數(shù)據(jù)的復雜性進一步降低了模型的定量識別能力，總體上，基于吸收的三波段模型a-CIM440,620,675具有相對較好的定量識別能力. 圖3c是該模型定量識別值和監(jiān)測值的對比，從圖中看出3種藍藻的結果均較為分散地分布在1∶1線附近. 由于在三藻混合實驗中，3種藍藻的Chl.a濃度以間隔<20 mg/m3的濃度依次遞增，沒有明顯的主導藍藻，因此每種主要水華藍藻的吸收、散射特征不突出，從而降低了模型的定量識別能力.

2.2 巢湖主要水華藍藻類群的時空分布特征

藍藻占巢湖藻種的絕對主導地位，主要由微囊藻、魚腥藻、束絲藻這3種藻類構成[6-7]，因此本研究結合實測Chl.a總濃度和各特征波段的吸收系數(shù)將本研究提出的水華藍藻定量識別模型應用于巢湖，可以獲取巢湖3種水華藍藻的時空分布特征，同時也能初步驗證該模型在巢湖的適用性.

本研究的水華藍藻類群定量識別模型建立在室內(nèi)光學控制實驗基礎之上，藍藻的吸收系數(shù)是在實驗室通過AC-S儀器實測獲得. 巢湖野外樣品的浮游植物總吸收系數(shù)采用QFT-分光光度計方法測得. 兩種方法之間存在著系統(tǒng)誤差. 周雯[37]的研究發(fā)現(xiàn)，QFT-分光光度計方法測得的吸收系數(shù)與色素濃度線性關系較差，實驗測量引入的誤差也較大，且其測得的吸收系數(shù)平均值高于AC-S測量吸收系數(shù). 在野外條件下，受水體中無機懸浮物和黃色物質(zhì)的影響，AC-S只能獲取水體的總吸收系數(shù)，無法直接獲取浮游植物總吸收.

為了初步判斷該模型在巢湖的適用性，將本研究水華藍藻類群定量識別模型應用于巢湖，需要做以下假定：(1)假定AC-S與QFT-分光光度計方法所測的浮游植物總吸收之間的系統(tǒng)誤差可忽略；(2)假定巢湖野外采樣獲取的Chl.a濃度和浮游植物總吸收均來自3種水華藍藻的貢獻.

基于3個特征吸收波段的a-CIM440,620,675模型，巢湖3種主要水華藍藻類群的時空分布如圖4所示. 可以看出，2016年12月，各監(jiān)測點3種水華藍藻濃度(Chl.a濃度)均較低，西部監(jiān)測點魚腥藻濃度明顯高于東部湖區(qū)，微囊藻和束絲藻濃度總體較低，束絲藻在中部湖區(qū)的濃度略高于東部和西部湖區(qū). 2017年2月，巢湖各監(jiān)測點幾乎均以魚腥藻為主，全湖魚腥藻濃度相當；微囊藻和束絲藻濃度在所有監(jiān)測點均很低；束絲藻濃度在東部湖區(qū)要略高于其他湖區(qū). 2017年4月，巢湖中西部各監(jiān)測點的魚腥藻濃度較2月份有下降，但東部湖區(qū)的魚腥藻濃度較高，且出現(xiàn)了魚腥藻水華；微囊藻濃度除在水華區(qū)域監(jiān)測點稍高外，非水華區(qū)域依然較低；束絲藻濃度在所有監(jiān)測點都很低. 2017年8月，各監(jiān)測點依然以魚腥藻和微囊藻為主，其中西部湖區(qū)出現(xiàn)了以微囊藻為絕對優(yōu)勢的藍藻水華現(xiàn)象，其余監(jiān)測點魚腥藻和微囊藻濃度相近；束絲藻濃度總體上是4次巡測的最低值.

圖4 巢湖主要水華藍藻類群的時空分布Fig.4 Temporal and spatial distribution of main bloom-forming cyanobacteria in Lake Chaohu

總體上，巢湖的水華藍藻以魚腥藻、微囊藻為主，溫度較低的季節(jié)魚腥藻占絕對優(yōu)勢，主要與內(nèi)源環(huán)境因素有關，冬季巢湖溶解氧濃度較高且磷濃度較低，而且溫度較低，適宜魚腥藻生存. 微囊藻主要發(fā)生于夏季的西部湖區(qū)，于湖面形成水華，是流域西北部的外源污染負荷所致. 微囊藻自身的無機碳濃縮機制和偽空胞調(diào)節(jié)，以及巢湖夏季20～34℃的適宜溫度，較高的氮、磷濃度，較高的pH值，適宜的光照強度和時間等環(huán)境條件，是微囊藻水華多發(fā)生在夏季的主要原因. 由于高溫對魚腥藻(13～30℃)、束絲藻(13～25℃)生長代謝有明顯的抑制作用，因此夏季魚腥藻和束絲藻濃度總體偏低，上述結論與馬健榮等[38]、劉菲菲等[39]、Jiang 等[6]、Zhang等[7]對巢湖藍藻種群結構的調(diào)查結果完全一致，證實了該模型在巢湖的適用性.

2.3 巢湖主要水華藍藻類群的垂向分布特征

水華藍藻因其獨特的生理結構(偽空胞)以及外環(huán)境水動力條件，通過上浮或下沉來改變其垂向位置，選擇最佳的生存空間[40-41. 因此，藍藻垂向位置遷移造成了水體表層藻類信息難以全面、準確地表征水華藍藻的垂向分布特征. 本研究在已知總Chl.a濃度和浮游植物總吸收的剖面分布的情況下，基于3個特征吸收波段的a-CIM440,620,675模型獲取了3種水華藍藻的垂向分布，這為科學詮釋不同水華藍藻類群的垂向分布規(guī)律提供了重要的技術支撐.

圖5 非藻華條件下3種主要水華藍藻的垂向分布Fig.5 Vertical distribution of main bloom-forming cyanobacteria at non-bloom condition

非藻華條件下斷面1#、4#和5#中5種水華藍藻的垂向分布情況見圖5. 由圖5可知，3個斷面均以微囊藻和魚腥藻為主，且均呈垂向均勻分布狀態(tài)，1#和4#斷面束絲藻濃度整體偏低，5#斷面水面以下1 m范圍內(nèi)主要為10 mg/m3左右的束絲藻. 2#和3#斷面出現(xiàn)藍藻水華時主導的藍藻完全不同：2#斷面主要發(fā)生的是微囊藻藻華；3#斷面則是魚腥藻藻華(圖6). 微囊藻自身含有氣囊，在氣溫和光照適宜的條件下，通過擴大氣囊上浮至水體表層；魚腥藻自身并無氣囊，但是當其濃度較高、形成抱團狀態(tài)時，較大的比表面積使其更加容易上浮至水體表面形成水華. 濃度較高(>30 mg/m3)的水華藍藻主要出現(xiàn)在水體表面以下20 cm范圍內(nèi).

圖6 藻華條件下3種主要水華藍藻的垂向分布Fig.6 Vertical distribution of main bloom-forming cyanobacteria at bloom condition

3 問題與展望

本研究基于室內(nèi)光學控制實驗構建了3種水華藍藻的定量識別模型，其精度還需結合大量野外實測數(shù)據(jù)進行驗證與優(yōu)化；在以水華藍藻為主的湖泊進行野外實測時通常以數(shù)量作為衡量藻類群落結構的方式，與本研究測量以及計算的Chl.a濃度指標具有不一致性，難以直接進行驗證. 本研究是水華藍藻主要類群遙感定量監(jiān)測的重要嘗試 ，結果呈現(xiàn)的巢湖藍藻類群的時空變化與傳統(tǒng)方法得到的變化趨勢一致，可以為相關部門準確掌握富營養(yǎng)化湖泊水華藍藻的時空分布狀況、科學開展湖泊水污染治理與生態(tài)修復提供重要的決策依據(jù).

實現(xiàn)富營養(yǎng)化湖泊水華藍藻類群的衛(wèi)星遙感監(jiān)測是本項研究的最終目標. 近年來新增的海洋水色傳感器主要有可見光成像輻射儀(VIIRS)、第二代海洋水色監(jiān)視儀(OCM-2)、地球靜止海洋水色成像儀(GOCI)、海洋和陸地顏色儀(OLCI)等. 其中，Sentinel-3A OLCI的波段設置與3種水華藍藻固有光學特性的特征波段恰好匹配，為下一步研究提供了重要的遙感數(shù)據(jù)基礎. 但是要實現(xiàn)基于衛(wèi)星影像開展水華藍藻的定量識別目標，還需解決富營養(yǎng)化湖泊水體浮游植物吸收特性及其色素濃度的衛(wèi)星遙感反演算法研究. 受人類影響最強烈的富營養(yǎng)化湖泊，屬于典型的Ⅱ類水體，其光學成因復雜，傳統(tǒng)大洋Ⅰ類水體的大氣校正算法、色素濃度反演算法和顆粒物固有光學特性反演算法的適用性不強. 因此，基于衛(wèi)星影像實現(xiàn)富營養(yǎng)化湖泊主要水華藍藻空間分布的遙感定量反演，還需水色遙感相關理論研究的不斷發(fā)展和進步，任重而道遠.