长江科学院院报

长江科学院院报 >

2024 , Vol. 41 >Issue 9: 169 - 177

DOI: https://doi.org/10.11988/ckyyb.20230373

水利信息化

基于BRDF校正的上海近海水体叶绿素a浓度反演

  • 韩震 , 1, 2 ,
  • 陈帅康 1 ,
  • 李丕学 3 ,
  • 陈浩程 1
展开
  • 1 上海海洋大学 海洋科学学院,上海 201306
  • 2 上海河口海洋测绘工程技术研究中心,上海 201306
  • 3 上海市海洋环境监测预报中心,上海 200062

韩 震(1969-),男,山东德州人,教授,博士,主要研究方向为海洋信息探测与应用。E-mail:

Copy editor: 占学军

收稿日期: 2023-04-10

  修回日期: 2023-07-15

  网络出版日期: 2024-09-20

基金资助

上海市海洋局科研专项(沪海科2019-03)

教育部产学合作协同育人项目(202102245031)

收起

Inversion of Chlorophyll-a Concentration in Shanghai Offshore Waters Based on BRDF Correction

  • HAN Zhen , 1, 2 ,
  • CHEN Shuai-kang 1 ,
  • LI Pi-xue 3 ,
  • CHEN Hao-cheng 1
Expand
  • 1 School of Marine Science, Shanghai Ocean University, Shanghai 201306, China
  • 2 Shanghai EstuarineMarine Mapping Engineering Technology Research Center, Shanghai 201306, China
  • 3 Shanghai MarineEnvironment Monitoring and Forecasting Center, Shanghai 200062, China

Received date: 2023-04-10

  Revised date: 2023-07-15

  Online published: 2024-09-20

Fold

摘要

为了探究上海近海区水体生态状况,采用水色遥感技术,对叶绿素a浓度进行反演,考虑BRDF对反演的影响,基于Landsat-8遥感数据和水质实测数据,结合Lee模型和QAA算法对上海近海水体进行BRDF校正。结果表明:悬浮泥沙浓度是影响水体BRDF的主要原因之一;日光在非垂直入射时,角度对水体BRDF影响较小;BRDF校正后模型R2平均值达到0.9,提高了22.2%,RMSE平均值降低至0.74;BRDF校正前上海近海区叶绿素a浓度平均被高估2 mg/m3。通过BRDF校正提高了叶绿素a反演精度,为近海水体水色反演研究提供新思路。

关键词： 叶绿素a; BRDF校正; 近海水体; Landsat-8

本文引用格式

韩震 , 陈帅康 , 李丕学 , 陈浩程 . 基于BRDF校正的上海近海水体叶绿素a浓度反演[J]. 长江科学院院报, 2024 , 41(9) : 169 -177 . DOI: 10.11988/ckyyb.20230373

Abstract

To investigate the ecological status of Shanghai’s offshore waters, we applied the water color remote sensing technology to estimate chlorophyll-a concentration. Considering the impact of BRDF (Bidirectional Reflectance Distribution Function) on inversion accuracy, we utilized LandSat-8 remote sensing data and measured water quality data in association with Lee’s model and QAA (Quasi-analytical algorithm) for BRDF correction. Results indicate that suspended sediment concentration is a major factor affecting BRDF. The angle of sunlight has minimal impact on BRDF when the sun is not vertically incident. After BRDF correction, the mean value of R2 increased by 22.2% to 0.9, whereas mean RMSE decreased to 0.74. Before the correction, chlorophyll-a concentrations in Shanghai’s offshore waters were overestimated by an average of 2 mg/m3. BRDF correction notably enhances chlorophyll-a inversion accuracy, presenting innovative insights for offshore water color inversion.

Key words： chlorophyll-a; BRDF correction; offshore waters; Landsat-8

开放科学(资源服务)标识码(OSID):

0 引言

随着沿海城市经济发展,近海水体生态状况越来越受到人们关注[1]。叶绿素a浓度是水体水质状况监测的重要指标之一[2]。开展近海水体叶绿素a浓度研究对加强近海生态环境保护具有重要的理论意义和实际意义。
卫星水色遥感是监测水体叶绿素a浓度的有效手段,其中水体二向性反射分布(Bidirectional Reflectance Distribution Function, BRDF)特性会给正确解译遥感信息造成影响[3]。Nicodemus[4]提出BRDF可以用来表征物体表面空间反射特性,描述了入射光线经过某个表面反射后在各个出射方向上的分布。在大洋和近海水域存在上升流辐射偏振变化,太阳角度和悬浮粒子是造成变化的主要因素,其会影响水体BRDF[5]。随着机器学习发展,神经网络模型被应用于海洋BRDF预测,提高了大洋和近海地区叶绿素a浓度反演精度[6]。对于卫星遥感影像的水体二向性反射效应,可以通过BRDF校正进一步增强水质监测能力[7]。水体BRDF特性是影响遥感反演的关键因素,同时也是水面反照率反演的重要环节,因此开展水体BRDF校正对提高遥感反演精度具有重要意义。
叶绿素a反演方法主要包括经验法、半经验法和机器学习法等。经验法主要基于遥感数据和实测数据构建统计回归模型,从而进行叶绿素a浓度的估算[8]。半经验法主要被应用于高光谱数据分析,通过分析光谱变化特征进行叶绿素a浓度反演[9]。机器学习法可通过模拟遥感数据和实测数据之间的非线性关系来构建神经网络模型,对叶绿素a浓度进行分析和预测[10]。传统基于遥感技术的叶绿素a反演方法较少考虑浑浊二类水体BRDF的影响,本文以上海近海区为研究区,分析了不同水质浓度和不同太阳入射角度下水体BRDF特性,并计算了BRDF校正对于叶绿素a浓度反演的影响。

1 研究方法

本文根据水面遥感辐射原理计算了Landsat-8遥感反射率,通过准分析算法(Quasi-Analytical Algorithm, QAA)[11]对水体二向性反射影响因素进行了分析,最后基于Lee模型[12]进行了BRDF校正,对上海近海水体叶绿素a浓度进行了反演和精度分析(图1)。
图1 方法技术流程

Fig.1 Technical flow chart of the method

1.1 水面遥感辐射

离水辐亮度是入射光经水体吸收和散射后,射出水面的辐射,携带了重要的水成分信息[13]。离水辐亮度会因为入射角度的不同和水成分的差异造成光谱形态和大小上的变化,水体BRDF就是造成这一变化的主要原因,因此对于水体单一组分识别、分类和提取,修正这一部分误差是必要的。图2中Lw为离水辐亮度;Lu(0-)为水下上行辐亮度;Es为太阳光入射水面的总辐照度;Ed(0-)为水下下行辐照度;θs为太阳天顶角;θv为传感器相对星下点观测方向的天顶角;φ为传感器观测方向垂直平面与太阳入射垂直平面的夹角,简称为观测方位角。
图2 水面光谱反射示意图

Fig.2 Schematic diagram of water surface spectral reflection

水上遥感反射率Rrs是海洋水色遥感中很重要的一个物理量,一般可通过卫星影像数据预处理后直接获得。同时其也是离水辐亮度Lw与太阳光入射水面的总辐照度Es的比值[14],即
R r s = L w E s 　 。

1.2 Lee模型

Lee等[15]首先基于水体吸收和散射等光学特性提出了用两个独立的相函数来表达水下遥感反射率,即基于平均Petzold相函数模拟矿物颗粒相函数,基于藻类后向散射概率为1%的Fournier-Forand(FF)相函数模拟藻类颗粒相函数,使用两种粒子的相函数集成复合型相函数以更好地表示颗粒物散射特性。表达式如下:
r r s = g w b b w a + b b + g p b b p a + b b 　 。
式中:rrs为水下遥感反射率;bbw和bbp分别为水分子和悬浮颗粒的后向散射系数;bb为bbw和bbp之和;gw和gp是分子散射和粒子散射的2个独立模型参数,分子-粒子间散射也被包含在这2个参数之中;a为吸收系数。
为了更有效地处理大量遥感数据,同时明确揭示分子散射与粒子散射的不同影响,Lee等[12]基于许多卫星测量数据改进了原有模型,得到了Rrs:
R r s ( λ , Ω ) = G w 0 ( Ω ) + G w 1 ( Ω ) b b w ( λ ) κ ( λ ) b b w ( λ ) κ ( λ ) + G p 0 ( Ω ) + G p 1 ( Ω ) b b p ( λ ) κ ( λ ) b b p ( λ ) κ ( λ ) 　 。
式中:λ为波长,κ(λ)=a+bb; Ω为θs、θv、φ三者共同表示的几何方位; G 0 w(Ω)、 G 1 w(Ω)、 G 0 p(Ω)和 G 1 p(Ω)均为模型系数,依赖于入射角度以及相函数变化,且不受风速、温度等外部自然因素干扰。
利用IOCCG Report 5中合成数据集[16]的500组固有光学特性数据计算后向散射系数bb和吸收系数a,光谱范围为400~800 nm,光谱分辨率为10 nm,用以模拟角度变化参量。首先假设水体是均匀的,且天空晴朗,不考虑非弹性散射(如拉曼散射、叶绿素荧光等),再将计算得到的bb和 a作为Hydrolight辐射传输模型参数输入,并使用Gregg和Carder[17]的模型结果模拟太阳输入。在角度参数设置方面,航天光学传感器过境时间往往为当地时间10:00—14:00,θs很少会出现高值,Hydrolight默认30°为太阳天顶角初始值,因此结合实际θs取值为0°、15°、30°,在水面以上光谱测量规范中说明θv为30°~45°,φ为90°~135°(背向太阳方向)[18],可避免大部分太阳垂直反射,同时降低海面物体遮挡影响。因而θv取值为0°、30°、40°,φ取值为0°、90°、135°,其中θs=0°,θv=0°,φ=0°为太阳垂直入射对照组。其它影响水面入射光参数信息还包括:水面折射转换系数(默认为常数1.34),平均风速5 m/s、相对湿度80%以及海洋气溶胶参数等,最终拟合输出 G 0 w(Ω)、 G 1 w(Ω)、 G 0 p(Ω)和 G 1 p(Ω),模型系数表如表1所示。
表1 不同角度下 G 0 w(Ω)、 G 1 w(Ω)、 G 0 p(Ω)和 G 1 p(Ω)值

Table 1 Values of G 0 w(Ω), G 1 w(Ω), G 0 p(Ω), G 1 p(Ω) at different sunlight angles

θs/(°) θv/(°) φ/(°) G 0 w(Ω) G 1 w(Ω) G 0 p(Ω) G 1 p(Ω)
0 0 0 0.060 4 0.040 6 0.040 2 0.131 0
0 30 90 0.059 6 0.051 6 0.040 8 0.142 0
15 30 90 0.059 0 0.056 2 0.041 1 0.146 1
30 30 90 0.058 4 0.060 1 0.041 8 0.149 2
0 40 135 0.058 1 0.058 1 0.041 4 0.145 8
15 40 135 0.061 4 0.052 4 0.042 5 0.140 8
30 40 135 0.062 4 0.052 4 0.043 4 0.140 6

1.3 QAA算法

QAA可以实现由遥感反射率数据推导水体固有光学特性参数,具有时效性与经济性。目前最新版本是QAA_v6,QAA经历了5次更新,性能更加完善,对于清澈海水和沿岸水域都有很高的适用性[16]。
QAA_v6算法[11]基于670 nm处遥感反射率将水体分为清洁和浑浊两类,分别采用不同参考波长、不同算法公式进行计算,当Rrs(670)<0.001 5 sr-1时,选择初始波长λ0=555 nm,即Landsat-8数据绿光波段数值作为判别阈值,执行QAA_v5;当Rrs(670)>0.001 5 sr-1时,选择λ0=670 nm,即Landsat-8数据红光波段数值作为判别阈值,执行QAA_v6。上海近海水体为二类水体,Rrs(670)>0.001 5 sr-1,因此选择红光波段的吸收系数。QAA_v6算法具体步骤如表2。主要分为以下4部分:
(1)解算纯水部分的红光波段吸收系数和后向散射系数。
(2)去除纯水部分,解算颗粒物为次要贡献的后向散射系数。
(3)通过上述结果可解算任意波长下颗粒物后向散射系数。
(4)解算任意波长的总吸收系数。
表2 QAA_v6算法步骤

Table 2 Steps of QAA_v6 algorithm

步骤 表达式
1 rrs(λ)=Rrs(λ)/(0.52+1.7Rrs(λ))
2 u(λ)= - g 0 + g 0 2 + 4 g 1 r r s ( λ ) 2 g 1,g0=0.089,g1=0.124 5
3 a(λ0)=a(670)=aw(670)+0.39 R r s ( 670 ) R r s ( 443 ) + R r s ( 490 ) 1.14,
aw(670)=0.439
4 bbw(λ)=0.000 95(λ/550)-4.3
5 bbp(λ0)=bbp(670)= u ( λ 0 ) a ( λ 0 ) 1 - u ( λ 0 )-bbw(670)
6 η=2 1 - 1.2 e x p - 0.9 r r s ( 443 ) r r s ( 555 )
7 bbp(λ)=bbp(λ0) λ 0 λ η
8 a(λ)= 1 - u ( λ ) u ( λ )bbw(λ)+bbp(λ)

注:aw为纯水吸收系数; η为功率参数; g 0和 g 1为常数;u(λ)为中间参量。

1.4 BRDF校正

本文基于Lee模型进行BRDF校正,流程如图3所示。由图3可知为了得到校正后遥感反射率 [ R r s ] N,需要获取水体吸收系数a和后向散射系数bb。本文应用QAA推导计算水体固有光学特性参数。
图3 BRDF校正流程

注:G(Ω)、G(0)分别表示引入QAA算法及Lee模型处理数据。

Fig.3 Flowchart of BRDF correction

首先基于QAA_v6中步骤3计算λ0=670 nm下水体部分吸收系数a(670),代入式(3),结合表2步骤4解得的bbw(670),进一步推导得到悬浮颗粒后向散射系数bbp(670)的解析式,求解出bbp(670)后,根据表2步骤6—7,可计算任意波长 λ的后向散射系数bbp(λ)。当求解出bbp(λ),重新代入式(3),进一步推导得到 κ的解析式,其中κ=a(λ)+bbw(λ)+bbp(λ),同理求解出 κ后,进而可计算出任意波长 λ的水体总吸收系数 a ( λ )。最后将bbp(λ)和a(λ)重新代入式(3)得到校正后遥感反射率 [ R r s ] N。
基于Lee模型进行BRDF校正的方法介于分析模型和经验模型之间,该方法是在水面辐射传输理论基础上,利用遥感数据确定关系式中的部分参数,并应用QAA_v6将水体固有光学性质的变化引入模型中,结合水质浓度和固有光学特性来表现水体表观光学量。与传统BRDF校正模型相比,可以更加深入分析水色遥感反演的物理机制、误差来源及解决办法等。
传统评估水体二向性校正的指标为二向性因子 f / Q,其中f为水下辐照度反射率与固有光学量之间的关系参量;Q为光场分布参数,受水体成分、太阳入射角度、大气状态以及海面粗糙度等条件影响,Q可表示为
Q = E u ( 0 - ) L u ( 0 - ) 　 。
式中Eu(0-)、Lu(0-)分别为水下上行辐照度和水下上行辐亮度。
经推导发现 f / Q与bb/a具有单调一致性,即 f / Q随bb/a增大而增大,随bb/a减小而减小。为减少模拟中间步骤,降低计算误差,同时方便统计,本文选择bb/a作为BRDF校正评价指标。

2 数据及预处理

2.1 研究区和数据概况

本文研究范围在121°7'0″E—122°32'0″E、30°38'0″N—31°54'0″N之间,上承长江口,下接杭州湾,位于中国东部沿海。使用的悬浮泥沙和叶绿素a实测数据由上海海洋环境监测预报中心提供,采集日期为2020年9月至2022年8月,共7个测站采样点(图4),遥感数据为Landsat-8多光谱影像数据,通过美国地质调查局官网(https://earthexplorer.usgs.gov/)下载获得。OLI陆地成像仪一共9个波段,空间分辨率为30 m,其中包括一个15 m的全色波段,成像宽幅为185 km×185 km。数据筛选时,云的存在会降低遥感数据的质量[19],因此为降低云噪声干扰,避免信息缺失,选择云量10%以下的图像,且确保采样点上方晴空,时间上与实测数据相匹配或接近。
图4 上海近海及采样点分布

Fig.4 Offshore of Shanghai and distribution of sampling points

2.2 预处理

为了获取Landsat-8影像中的光谱信息,需要对遥感数据进行预处理。首先进行辐射定标,辐射定标是将影像的像元值DN经过运算转化成为辐射强度或反射率等物理量的处理过程。辐射强度计算公式为
L λ = G g a i n D N + O o f f s e t 　 。
式中:Ggain为波段增益系数;Ooffset为偏移系数; L λ为多光谱数据波长为 λ时所对应的热辐射强度。
之后本文应用ENVI 5.3软件的FLAASH大气校正模块进一步处理,目的是除掉大气粒子散射等因素对地物反射信息的干扰,以保证遥感数据转换为地物信息的真实性。大气校正的过程是将热辐射亮度转换为地面反射率信息。
为了获取整个研究区影像数据,需要应用图像镶嵌技术,将两幅或多幅相邻的遥感影像拼接成一幅全景影像,因为遥感数据来自同一颗卫星,不同影像拼接处不会出现明显差异,对水质要素反演没有影响[20]。镶嵌后的遥感影像超过研究区范围,因此还需要应用矢量数据对遥感影像进行裁剪处理,最终得到完整研究区,如图4所示。

3 结果与分析

3.1 水体二向性反射影响因素分析

悬浮泥沙浓度(Suspended Sediment Concentration, SSC)是评价水质透明度、浑浊度等光学性质的重要指标,直接影响水域生态环境和地貌演化。叶绿素a(Chl-a)可以吸收和传递光能,通常用叶绿素a浓度来衡量水体富营养化程度以及评估海洋初级生产力。由于风浪作用、陆源水入海及围海养殖等自然因素和人为因素的影响,近海水体悬浮泥沙浓度和叶绿素a浓度相对远海较高,而水体组分浓度影响着水体光学特性,进而导致水面遥感反射率的变化[21]。同时日光入射方向差异、水面漫反射影响,也会造成卫星获取遥感信息时存在偏差[22]。因此,本文以不同水质浓度和模拟不同入射角度为切入点,分析各因素对水体BRDF的影响情况。
首先应用预处理后Landsat-8遥感数据,结合悬浮泥沙、叶绿素a实测数据,在上海近海各个水质浓度下水域随机获取24个样本点,计算不同水质浓度下样本点的二向性因子分布,如图5。
图5 不同水质浓度下bb/a分布

Fig.5 Distribution of bb/a under different water quality concentrations

由图5可知,bb/a随SSC增大而增大,当SSC≥280 mg/L时,bb/a>0.004,当SSC≤139 mg/L时,bb/a集中在0.001~0.004。因此较高SSC水体的固有光学性质与悬浮物浓度构成有关,是影响水体表观光学量的主要因素。上海近海由于潮汐影响,湍流作用和咸淡水交汇等水体理化性质的波动会引起海水悬浮颗粒絮凝或解絮[23],引起水体固有光学参数改变,进而影响到水体BRDF。
当SSC≤9 mg/L,同时Chl-a浓度存在明显差异时(0.5 mg/m3≤Chl-a浓度≤9 mg/m3),水体bb/a普遍较小,集中在0.001~0.003。Chl-a对于光的散射和吸收主要表现为水中藻类颗粒对于光的散射和吸收,而浮游藻类由于粒径小、光合作用等原因对于光的吸收较强、散射较差[24],因而Chl-a浓度对于水体BRDF影响较小。
基于表1通过模拟不同太阳角度来探讨入射方向对水体BRDF的影响,同时为避免悬浮泥沙浓度的影响,分别对高悬浮泥沙浓度和低悬浮泥沙浓度2种情况进行分析。
由图6可知,无论在低SSC(9 mg/L)或高SSC(400 mg/L)状态下,垂直角度(θs=0°,θv=0°, φ=0°)都比非垂直角度下的水体bb/a大。太阳光在垂直入射水面时,镜面反射造成水中悬浮物前向散射,出现朗伯体的散射特征,使得离开水面被卫星传感器接收到的信号存在误差[25]。水体BRDF受日光垂直入射影响较大,而日光在非垂直入射时bb/a在不同SSC下差距较小,说明在BRDF校正过程中,应避免模拟太阳入射角度垂直,进而降低误差。
图6 不同入射角度下bb/a分布

Fig.6 Distribution of bb/a under different sunlight incident angles

3.2 水体BRDF校正结果

依据3.1节分析结论,主要对高SSC水体进行BRDF校正,如图7。应用Lee模型对悬浮泥沙浓度为280、344、400 mg/L的水体进行校正,可以看出校正后的bb/a明显降低,普遍低于SSC为139 mg/L的bb/a分布。
图7 高悬浮泥沙浓度水体BRDF校正对比

Fig.7 Distribution of bb/a for water bodies with high suspended sediment concentration before and after BRDF correction

3.3 波段相关性分析

本文分别针对单波段和多波段比值的情况进行PEARSON相关性分析。叶绿素a浓度反演敏感波段大多为中低波段[26],因此重点探讨Landsat-8第1波段至第5波段(B1—B5分别为Landsat-8第1至第5波段遥感反射率),相关系数如图8所示。可从图8看出,随着波长的增加,Landsat-8单波段遥感反射率和叶绿素a浓度的相关性呈先增后减趋势,BRDF校正前第4波段和叶绿素a浓度相关性最好,相关系数为0.516,BRDF校正后,第3波段和叶绿素a浓度相关性最好,相关系数为0.865,比校正前提高了67.6%。Landsat-8波段比值和叶绿素a浓度相关系数如图9所示,NAN表示空值,BRDF校正前,B2/B3和叶绿素a浓度相关性最好,相关系数为0.668;BRDF校正后,B1/B4和叶绿素a浓度相关性最好,相关系数为0.874,比校正前提高了30.8%。综上所述,选择B2/B3构建BRDF校正前上海近海叶绿素a浓度经验反演模型,选择B1/B4构建BRDF校正后上海近海叶绿素a浓度经验反演模型。
图8 单波段相关性分析

Fig.8 Single-band correlation analysis

图9 波段组合相关性分析

Fig.9 Correlation analysis of band combinations

3.4 精度验证

根据3.3节分析结果,利用经验法构建叶绿素a浓度反演模型[27],BRDF校正前为
C C h l - a = 35490 ( B 2 / B 3 ) 3 - 82777 ( B 2 / B 3 ) 2 + 64287 ( B 2 / B 3 ) - 16624 　 。
式中CChl-a为叶绿素a浓度。
BRDF校正后为
C C h l - a = 1061.7 ( B 1 / B 4 ) 3 - 2747.5 ( B 1 / B 4 ) 2 + 2346.2 ( B 1 / B 4 ) - 659.38 　 。
为了评估BRDF校正的效果,利用经验法校正前后反演模型以及常用的叶绿素a反演方法,归一化差异叶绿素指数[28](Normalized Difference Chlorophyll Index, NDCI)、水体叶绿素a指数[29](Water Chlorophyll-a Index, WCI)校正前后模型对4个时期(2020年12月22日、2021年4月29日、2022年2月27日以及2022年4月8日)上海近海采样点叶绿素a浓度进行了反演,并且对3个校正前后模型结果进行了对比分析(图10)。图10直观反映了各个采样点叶绿素a浓度反演值和实测值的偏离情况,所有采样点越接近1∶1线,偏离越小。
图10 实测叶绿素a浓度与反演结果对比

Fig.10 Comparison of chlorophyll-a concentration between measurements and inversion results

从图10可以发现经过BRDF校正后得到的叶绿素a浓度反演值与实测值相较于校正前更趋向1∶1线,而校正前数值点分布则表现得更为离散。
为了评估模型反演效果,本文选用3个统计指标作为检验模型精度的评判标准,即决定系数R2、平均相对误差(Mean Relative Error, MRE)和均方根误差(Root Mean Square Error, RMSE),其中,MRE和RMSE的计算公式分别为:
M R E = 1 n ∑ i = 1 n X i o b s - X i p r e X i o b s × 100 % 　 ,
R M S E = 1 n ∑ i = 1 n ( X i o b s - X i p r e ) 2 　 。
式中:n为样本数量; X i o b s和 X i p r e分别为叶绿素a浓度的实测值和反演值。
误差计算结果如表3。根据相关性、均方根误差和平均相对误差3个评价指标对比,综合来说BRDF校正后模型精度均有提高。R2平均值为0.9,提高了22.2%,说明对上海沿岸近海海域进行BRDF校正,可以削弱水面二向性反射效应,降低悬浮泥沙散射作用干扰,相对提高了水体其他组分反射效率,降低了估算误差。同时误差计算的结果说明,BRDF校正后MRE也有所优化,平均值降低至23.82%,相较原来降低了18.81%,RMSE平均值降低至0.74,降低了0.44 mg/m3。综上所述,BRDF校正后,上海近海区叶绿素a反演精度提升,模型精度基本满足水质估算要求。
表3 叶绿素a反演模型精度评价结果

Table 3 Evaluation results for the accuracy of the chlorophyll-a inversion model

方法 R2 MRE/% RMSE/(mg·m-3)
校正前_经验法 0.759 8 36.48 1.16
校正后_经验法 0.926 3 25.40 0.63
校正前_NDCI 0.787 4 43.69 1.06
校正后_NDCI 0.904 8 26.21 0.71
校正前_WCI 0.669 0 47.72 1.32
校正后_WCI 0.868 1 19.84 0.87

3.5 叶绿素a浓度空间分布

利用3.4节BRDF校正前后叶绿素a反演模型对上海近海叶绿素a浓度进行空间分布反演,2020年12月22日、2021年4月29日、2022年2月27日和2022年4月8日BRDF校正前后叶绿素a浓度空间分布如图11所示,可以看出叶绿素a浓度反演高值大多在近岸河口区域,越趋近外海,浓度越小,造成这种现象的原因是沿海受人为因素影响较大[30],陆源营养物质入海,近海营养盐含量增加,促进藻类繁殖,进而叶绿素a浓度增大。
图11 BRDF校正前后叶绿素a浓度空间分布

Fig.11 Spatial distribution of chlorophyll-a concentration before and after BRDF correction

BRDF校正前后叶绿素a浓度差值(校正前数值减去校正后数值)分布如图12所示。
图12 BRDF校正前后叶绿素a浓度差值

Fig.12 Difference in chlorophyll-a concentration before and after BRDF correction

在上海近海水体区域,由于二向性反射影响,未进行BRDF校正的叶绿素a浓度明显被高估,经计算,未进行BRDF校正的上海近海水体叶绿素a浓度平均被高估约2 mg/m3。从图12可以看出,叶绿素a浓度高估分布主要在近岸海域,原因是近岸水体水深较浅,水体混合强烈,导致悬浮泥沙浓度高,因而水体二向性效应较强;同时河口向海输沙[31]、台风和强降雨等自然因素影响[32],使得近岸海域出现泥沙再悬浮现象,进一步增强了近岸水体二向性效应。

4 结论

受水体二向性反射影响,叶绿素a遥感监测存在一定误差。本文以上海近海区为研究区,利用Landsat-8遥感数据结合水质实测数据,基于Lee模型和QAA进行BRDF校正,并对叶绿素a浓度进行了反演和精度分析。主要结论如下:
(1)通过计算不同水质浓度下bb/a分布,证明高SSC是影响水体BRDF的主要原因之一。
(2)通过模拟不同太阳入射角度下bb/a分布,验证日光在非垂直入射时,角度对于水体BRDF影响较小。
(3)针对上海近海水体进行BRDF校正,并与常用叶绿素a反演模型对比,综合评估认为BRDF校正后叶绿素a反演模型精度提高。决定系数R2相比校正前平均提高了22.2%,均方根误差RMSE平均降低了0.44 mg/m3,同时MRE平均值降低至23.82%,基本满足水质监测精度要求。对上海近海叶绿素a浓度空间分布反演,发现未进行BRDF校正时存在高估现象,根据差值计算结果发现叶绿素a浓度平均被高估2 mg/m3。
本文基于Landsat-8遥感数据和水质实测数据,对上海近海水体进行BRDF校正,削弱了水体二向性效应,从而提高叶绿素a反演精度,该方法可为近海水质反演提供新思路。但本文仅针对单一遥感数据进行试验,而在多源遥感数据中方法理论的适用性,将在后续的研究中展开进一步讨论。

本研究部分数据来源于上海市海洋环境监测预报中心,感谢上海市海洋环境监测预报中心提供的数据支持。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
霍守亮, 张含笑, 金小伟, 等. 我国水生态环境安全保障对策研究[J]. 中国工程科学, 2022, 24(5): 1-7.

(HUO Shou-liang, ZHANG Han-xiao, JIN Xiao-wei, et al. Countermeasures for Assuring Water Ecological Environment Security in China[J]. Strategic Study of CAE, 2022, 24(5): 1-7. (in Chinese))

[2]
BECK R, ZHAN S, LIU H, et al. Comparison of Satellite Reflectance Algorithms for Estimating Chlorophyll-a in a Temperate Reservoir Using Coincident Hyperspectral Aircraft Imagery and Dense Coincident Surface Observations[J]. Remote Sensing of Environment, 2016, 178: 15-30.

[3]
马兰新. 近海面海浪破碎形成弥散介质辐射传输特性[D]. 哈尔滨: 哈尔滨工业大学, 2017.

(MA Lan-xin. Radiative Transfer Properties in Dispersed Particulate Medium in the Upper Ocean Generated by Breaking Waves[D]. Harbin: Harbin Institute of Technology, 2017. (in Chinese))

[4]
NICODEMUS F E. Directional Reflectance and Emissivity of an Opaque Surface[J]. Applied Optics, 1965, 4(7): 767-775.

[5]
GLEASON A, VOSS K, GORDON H, et al. Measuring and Modeling the Polarized Upwelling Radiance Distribution in Clear and Coastal Waters[J]. Applied Sciences, 2018, 8(12): 2683.

[6]
MUKHERJEE L, ZHAI P W, GAO M, et al. Neural Network Reflectance Prediction Model for Both Open Ocean and Coastal Waters[J]. Remote Sensing, 2020, 12(9): 1421.

[7]
KREMEZI M, KARATHANASSI V. Data Fusion for Increasing Monitoring Capabilities of Sentinel Optical Data in Marine Environment[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13: 4809-4815.

[8]
程春梅, 李渊, 丁奕, 等. 基于GF-1/WFV的钱塘江叶绿素a和总悬浮物浓度遥感估算[J]. 长江科学院院报, 2019, 36(1): 21-28.

(CHENG Chun-mei, LI Yuan, DING Yi, et al. Remote Sensing Estimation of Chlorophyll-a and Total Suspended Matter Concentration in Qiantang River Based on GF-1/WFV Data[J]. Journal of Yangtze River Scientific Research Institute, 2019, 36(1): 21-28. (in Chinese))

[9]
代前程, 谢勇, 陶醉, 等. 南漪湖叶绿素a浓度荧光反演算法研究[J]. 光谱学与光谱分析, 2022, 42(12): 3941-3947.

(DAI Qian-cheng, XIE Yong, TAO Zui, et al. Research on Fluorescence Retrieval Algorithm of Chlorophyll a Concentration in Nanyi Lake[J]. Spectroscopy and Spectral Analysis, 2022, 42(12): 3941-3947. (in Chinese))

[10]
YANG H, DU Y, ZHAO H, et al. Water Quality Chl-a Inversion Based on Spatio-Temporal Fusion and Convolutional Neural Network[J]. Remote Sensing, 2022, 14(5): 1267.

[11]
LEE Z P, LUBAC B, WERDELL J, et al. Update of the Quasi-analytical Algorithm (QAA_v6)[DB/OL]. [2018-09-10]. http://www.ioccg.org/groups/Software_OCA/QAA_v6_2014209.pdf.

[12]
LEE Z P, DU K, VOSS K J, et al. An Inherent-optical-property-centered Approach to Correct the Angular Effects in Water-leaving Radiance[J]. Applied Optics, 2011, 50(19): 3155-3167.

[13]
WINDLE A E, EVERS-KING H, LOVEDAY B R, et al. Evaluating Atmospheric Correction Algorithms Applied to OLCI Sentinel-3 Data of Chesapeake Bay Waters[J]. Remote Sensing, 2022, 14(8): 1881.

[14]
恽才兴, 韩震, 蒋雪中, 等. 海岸带及近海卫星遥感综合应用技术[M]. 北京: 海洋出版社, 2005.

(YUN Cai-xing. Comprehensive Application Technology of Satellite Remote Sensing in Coastal Zone and Offshore Area[M]. Beijing: Ocean Press, 2005. (in Chinese))

[15]
LEE Z P, CARDER K L, DU K P. Effects of Molecular and Particle Scatterings on the Model Parameter for Remote-Sensing Reflectance[J]. Applied Optics, 2004, 43(25): 4957-4964.

[16]
LEE Z P. Remote Sensing of Inherent Optical Properties: Fundamentals, Tests of Algorithms, and Applications[R]. Mississippi: IOCCG, 2006.

[17]
GREGG W W, CARDER K L. A Simple Spectral Solar Irradiance Model for Cloudless Maritime Atmospheres[J]. Limnology and Oceanography, 1990, 35(8): 1657-1675.

[18]
唐军武, 田国良, 汪小勇, 等. 水体光谱测量与分析Ⅰ:水面以上测量法[J]. 遥感学报, 2004, 8(1): 37-44.

(TANG Jun-wu, TIAN Guo-liang, WANG Xiao-yong, et al. The Methods of Water Spectra Measurement and Analysis Ⅰ: Above-water Method[J]. Journal of Remote Sensing, 2004, 8(1): 37-44. (in Chinese))

[19]
吕海涛. 多光谱遥感图像数据中薄云雾参数反演及去除[D]. 成都: 电子科技大学, 2021.

(LÜ Hai-tao. Retrieval and Removal of Thin Clouds and Haze from Multispectral Remote Sensing Imagery[D]. Chengdu: University of Electronic Science and Technology of China, 2021. (in Chinese))

[20]
盖颖颖, 王章军, 杨雷, 等. 金沙滩近岸水体叶绿素a和悬浮物遥感反演研究[J]. 国土资源遥感, 2020, 32(3): 129-135.

(GAI Ying-ying, WANG Zhang-jun, YANG Lei, et al. Remote Sensing Retrieval of Chlorophyll-a and Suspended Matter in Coastal Waters of Golden Beach[J]. Remote Sensing for Land & Resources, 2020, 32(3): 129-135. (in Chinese))

[21]
高晨, 徐健, 高丹, 等. 基于GF-1与实测光谱数据鄱阳湖丰水期总悬浮物浓度反演[J]. 国土资源遥感, 2019, 31(1): 101-109.

(GAO Chen, XU Jian, GAO Dan, et al. Retrieval of Concentration of Total Suspended Matter from GF-1 Satellite and Field Measured Spectral Data during Flood Period in Poyang Lake[J]. Remote Sensing for Land & Resources, 2019, 31(1): 101-109. (in Chinese))

[22]
李俊生, 张兵, 申茜, 等. 太湖水面多角度遥感反射率光谱测量与方向特性分析[J]. 光谱学与光谱分析, 2013, 33(9): 2506-2511.

(LI Jun-sheng, ZHANG Bing, SHEN Qian, et al. Analysis of Directional Reflectance Properties of Lake Taihu Using Multi-angle Measurements[J]. Spectroscopy and Spectral Analysis, 2013, 33(9): 2506-2511. (in Chinese))

[23]
刘忠华, 李云梅, 吕恒, 等. 太湖春季水体固有光学特性及其对遥感反射率变化的影响[J]. 生态学报, 2012, 32(2): 438-447.

(LIU Zhong-hua, LI Yun-mei, LÜ Heng, et al. Analysis of Inherent Optical Properties of Lake Taihu in Spring and Its Influence on the Change of Remote Sensing Reflectance[J]. Acta Ecologica Sinica, 2012, 32(2): 438-447. (in Chinese))

[24]
阎福礼, 刘韶菲, 王世新, 等. 太湖浮游藻类的后向散射分离及其叶绿素a浓度反演[J]. 地球信息科学学报, 2014, 16(6): 989-996.

(YAN Fu-li, LIU Shao-fei, WANG Shi-xin, et al. Phytoplankton Backscattering Coefficients Partitioning and Its Applications in Retrieving Chlorophyll-a Concentrations in Taihu Lake[J]. Journal of Geo-Information Science, 2014, 16(6): 989-996. (in Chinese))

[25]
汪小勇, 唐军武, 李铜基, 等. 水面之上法测量水体光谱的关键技术[J]. 海洋技术, 2012, 31(1): 72-76.

(WANG Xiao-yong, TANG Jun-wu, LI Tong-ji, et al. Key Technologies of Water Spectra Measurements with Above-water Method[J]. Ocean Technology, 2012, 31(1): 72-76. (in Chinese))

[26]
ZHANG T, HUANG M, WANG Z. Estimation of Chlorophyll-a Concentration of Lakes Based on SVM Algorithm and Landsat 8 OLI Images[J]. Environmental Science and Pollution Research, 2020, 27(13): 14977-14990.

[27]
邹志科, 余蕾, 张煜, 等. 基于Sentinel2-L1C的江汉平原水产养殖区水质参数反演[J]. 长江科学院院报, 2023, 40(9): 181-187,194.

(ZOU Zhi-ke, YU Lei, ZHANG Yu, et al. Inversion of Water Quality Parameters in Jianghan Plain Based on Sentinel2-L1C Image[J]. Journal of Yangtze River Scientific Research Institute, 2023, 40(9): 181-187. (in Chinese))

[28]
MISHRA S, MISHRA D R. Normalized Difference Chlorophyll Index: a Novel Model for Remote Estimation of Chlorophyll-a Concentration in Turbid Productive Waters[J]. Remote Sensing of Environment, 2012, 117: 394-406.

[29]
王金梁, 秦其明, 李军, 等. 基于高光谱数据的水体叶绿素a指数反演模型的建立[J]. 农业工程学报, 2014, 30(3): 128-134.

(WANG Jin-liang, QIN Qi-ming, LI Jun, et al. Water Chlorophyll-a Retrieval Index Based on Hyperspectral Data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2014, 30(3): 128-134. (in Chinese))

[30]
滕越, 邹斌, 叶小敏. HY-1C卫星海岸带成像仪叶绿素a浓度反演研究[J]. 海洋学报(中文版), 2022, 44(5): 25-34.

(TENG Yue, ZOU Bin, YE Xiao-min. Study on the Chlorophyll a Concentration Retrieved from HY-1C Satellite Coastal Zone Imager Data[J]. Haiyang Xuebao, 2022, 44(5): 25-34. (in Chinese))

[31]
江彬彬, 张霄宇, 黄大松, 等. 基于GOCI的近岸高浓度悬浮泥沙遥感反演:以杭州湾及邻近海域为例[J]. 浙江大学学报(理学版), 2015, 42(2): 213-220.

(JIANG Bin-bin, ZHANG Xiao-yu, HUANG Da-song, et al. Retrieving High Concentration of Suspended Sediments Based on GOCI: an Example of Coastal Water around Hangzhou Bay, China[J]. Journal of Zhejiang University (Science Edition), 2015, 42(2): 213-220. (in Chinese))

[32]
姚玲爱, 赵学敏, 马千里, 等. 台风强降雨输入水源水库悬浮泥沙的氮磷吸附特性[J]. 环境科学, 2018, 39(8): 3622-3630.

(YAO Ling-ai, ZHAO Xue-min, MA Qian-li, et al. Nitrogen and Phosphorous Adsorption Characteristics of Suspended Solids Input into a Drinking Water Reservoir via Typhoon Heavy Rainfall[J]. Environmental Science, 2018, 39(8): 3622-3630. (in Chinese))

Options
文章导航

/

〈 〉

*严禁使用本系统存储、处理、传输涉密信息*
版权所有 © 《长江科学院院报》编辑部
技术支持：北京玛格泰克科技发展有限公司