基于高光譜影像湖泊葉綠素a濃度反演分析

樊志強, 王志國,*, 黃平平, 董亦凡, 高志奇

基于高光譜影像湖泊葉綠素a濃度反演分析

樊志強1,2, 王志國1,2,*, 黃平平1,2, 董亦凡1,2, 高志奇1,2

1. 內蒙古工業大學信息工程學院, 內蒙古 010051 2. 內蒙古自治區雷達技術與應用重點實驗室, 內蒙古 010051

針對湖泊葉綠素a濃度的快速變化及水體富營養化問題, 以太湖水體為例, 利用太湖區域2019年10月、11月和12月的珠海一號高光譜影像, 采用波譜特征分析、主成分分析、皮爾遜相關系數、建立反演模型分析江蘇省太湖區域水體葉綠素a濃度的分布狀態以及時空變化狀況。通過主成分分析劃分與水體信息相關的成分, 提出采用珠海一號高光譜影像的中紅外波段建立耦合可見光和近紅外輻射信號的WCI模型。結果表明: (1)水體光譜曲線特征與主成分分析結果一致, 分別為光合作用波段、細胞散射波段和水體增溫波段。(2)改進的耦合可見光與中紅外輻射信號的建立的WCI模型的反演精度最高, 均方根誤差RMSE為(1.4008 mg·L-1), 平均相對誤差(MRE)為10.69%。(3)2019年10月一12月間, 湖泊葉綠素濃度整體變化不大, 太湖葉綠素a濃度的遙感反演結果總體上呈現為湖西區域濃度較低, 湖東區域濃度較高的特征。

高光譜影像; 葉綠素a; 水體富營養;模型; 遙感反演

0 前言

葉綠素a(Chlorophyll-a, Chl-a)是影響內陸湖泊水色的重要物質之一, 其濃度的變化反映了湖泊水質的污染狀況, 是湖泊環境監測的重要指標[1]。葉綠素a濃度與藻類的種類、數量等密切相關, 是評價水體的富營養化程度的重要參數, 因此監測葉綠素a濃度具有重要的現實意義。傳統的葉綠素a測定方法, 從野外采集水樣, 將其帶回實驗室對其進行過濾、萃取、測定, 從而確定葉綠素a濃度[2]此類方法的缺點是需要耗費大量的人力、物力且無法實現大面積水域的同步測量[3]。

隨著遙感技術的發展, 傳感器空間分辨率和光譜分辨率的性能指標進一步提高, 通過遙感影像監測可實現高效, 實時, 大范圍的水質參數定量反演。特別是星載高光譜遙感為內陸水體監測提供了有利條件, 國內外學者開展了一系列的相關研究。Purandara等[4]建立了印度文伯納德湖Landsat-TM數據與懸浮泥沙間的關系, 并用現場數據進行了驗證; 韋安娜等[5]采用窮舉法建立了高分五號數據的三波段模型, 結果表明該模型反演葉綠素a濃度效果較好; 蓋穎穎等[6]采用機載海洋高光譜數據儀光譜數據對葉綠素a和懸浮物進行反演, 獲得了研究區的葉綠素a和總懸浮物濃度的空間分布狀況; 孫小涵等[7]利用榮成灣Chl-a濃度實測值和HJ-1衛星數據, 對3種適用于黃海二類水體的Chl-a濃度反演算法的精度進行了驗證, 并分析了其濃度隨時空變化的情況; 郭宇龍等[8]提出了一種新的水體葉綠素a指數CSI(葉綠素a光譜指數), 結果表明CSI對水體葉綠素a濃度大小具有指示作用, 反演精度與三波段算法相近。由于不同研究區域的光學特性和所采用數據源的不同, 使得最優模型結構及參數存在較大差異, 文獻[9][10]分別對多種模型進行比較, 以得出最優模型來反演葉綠素a濃度。高光譜影像的光譜分辨率高, 在相同的波長區間中較多光譜影像有更多的波段可供選擇, 因此更適合用于反演葉綠素a濃度。文獻[11][12]分別基于高光譜影像建立了三波段反演模型, 結果表明反演效果較好。由上述可知, 國內外學者基于不同遙感數據源對于不同自然環境下的水體進行了葉綠素a濃度反演, 但是對于遙感影像特定的波段參與葉綠素a濃度反演的物理機理研究還不夠深入, 缺少必要的實證研究。

本研究以太湖水域為研究區, 通過2019年11月19日的珠海一號高光譜影像和同步水質化學實測數據, 由主成分分析篩選出與湖泊藻類葉綠素濃度強相關的波段成分, 并采用對湖泊水體有增溫作用的中紅外波段建立遙感反演模型, 以實測數據為依據對模型反演結果精度進行驗證分析。最后對模型反演所得的葉綠素濃度分布狀況進行整體趨勢分析, 以便對內陸二類水體葉綠素a濃度的高光譜反演研究提供有價值的物理模型方法參考。

1 研究區概況與數據源

太湖位于江蘇省南部, 長江中下游地區, 地處于東經119°52′32′′—120°36′10′′、北緯30°55′40′′—31°32′58′′之間。太湖水域面積約為2388平方公里, 最大水深不足3 m, 湖岸線393.2公里。太湖常年受到季風和臺風的影響, 在風浪的作用下, 湖中的沉積物容易發生再懸浮并使得水體要素組成發生改變, 進而改變了水體主要的光學響應特征, 增加了水體光學作用過程的復雜度, 導致一定程度降低了遙感反演模型的精度和普適性。因此, 對于光學特性復雜的內陸水體, 目前并沒有較好的滿足時空變化的通用模型, 并且太湖是我國重點治理的富營養化水域之一, 因此研究設計反演太湖的葉綠素a濃度揭示其時空分布規律具有重要意義。

1.1 數據采集

研究檢索衛星過境時間, 同步獲取2019年11月19日均勻分布于太湖區域的37個站點的葉綠素a濃度實測數據, 各站點數據包含監測站點的經緯度、葉綠素a濃度/(mg·L-1)等。采樣期間選擇未發生水華且藻類分布比較均勻的水體, 對水樣的各項指標進行測定。采樣點分布位置如圖1所示, 采樣當日天氣晴朗, 風速基本保持在5 m·s-1左右。

統計采樣數據得出, 葉綠素a濃度最高值出現在太湖的錫東西南站點, 為22.3 mg·L-1。最低值出現在胥湖心(HF)站點, 為1.3 mg·L-1。葉綠素a濃度的均值是7.5 mg·L-1。37個采樣點包含了從低到高的各種葉綠素a濃度的水體, 能較好地代表整個湖泊的葉綠素a濃度分布變化數值范圍。

1.2 遙感數據與預處理

1.2.1 遙感數據

珠海一號高光譜數據的空間分辨率為10 m, 光譜平均分辨率為2.5 nm, 共有32個波段, 波譜范圍為400—1000 nm。本文選用的遙感數據為2019年11月19日過境太湖的兩景珠海一號高光譜數據。葉綠素a濃度反演方法所使用的波段均能在珠海一號數據中獲得, 從而為空間尺度的水體葉綠素a定量反演提供了較為可靠的影像數據。由于遙感影像受到水體與傳感器間大氣輻射傳輸過程影響, 因此需要對影像進行相應的預處理。

圖1 采樣點位分布圖

Figure 1 Sampling point distribution map

1.2.2 影像預處理

由于遙感影像成像過程中的復雜性, 傳感器接收到的能量與地物本身輻射的能量是有差異的。傳感器記錄輸出的能量信號包含了由于太陽位置和角度條件、大氣條件、地形影響以及傳感器本身的性能等所引起的各種失真, 這些失真會對影像的使用和理解造成影響, 必須加以校正或消除。本研究影像的預處理過程參考歐比特高光譜數據使用說明, 主要包括輻射定標、大氣校正、正射校正、影像鑲嵌、水域提取等過程。其中, 輻射定標將珠海一號高光譜遙感影像的值轉化為輻射亮度值, 大氣校正用于剔除大氣及其他因素的影響獲得表觀反射率, 正射校正對影像成像過程中產生的幾何畸變進行校正。由于一景遙感影像無法覆蓋整個太湖區域, 將兩景影像拼接并用水體邊界矢量裁剪得到研究區太湖水體的高光譜遙感影像。

2 模型方法

2.1 單波段模型

單波段模型通常選用特定波長處反射率值作為自變量, 進而建立的線性或非線性反演模型[13]。葉綠素a在440 nm、685 nm、700 nm均與葉綠素a濃度相關性較高, 但是440 nm附近受非色素顆粒物和黃色物質的影響較大, 所以685 nm和700 nm附近反射率值較為常用。

2.2 波段比值模型

波段比值模型通常使用近紅外波段較大反射率值與紅波段較小反射率值進行組合來估算葉綠素a濃度[13], 即R(NIR)/R(RED)。

2.3 三波段模型

三波段模型的具體形式為:

2.4 NDCI模型

Maisha等早在1997年提出了一種葉綠素估算指數——歸一化葉綠素指數(Normalized Difference Chlorophyll Index,),模型的表達式可以表示為:

2.5 WCI模型

王金梁等[15]通過借鑒植被葉綠素監測指數(Meris Terrestrial Chlorophyll Index)的研究思路, 構建了基于水體葉綠素a的監測指數(Water Chlorophyll-a Index)。模型可用式(3)表示:

2.6 四波段模型

Le等[16]在三波段模型的基礎上進行改進得到了四波段模型。四波段模型采用高光譜數據的四個波段進行組合, 近紅外波段的加入減弱了懸浮顆粒的吸收和后向散射影響。四波段模型的表達式如下:

3 結果與分析

3.1 光譜特征分析

圖2為2019年11月19日珠海一號高光譜影像對應于采樣點提取出的光譜曲線。

從圖2中可以看出, 太湖的珠海衛星遙感反射率曲線呈現典型的二類水體的特征, 各采樣點的光譜曲線具有相似的趨勢。各采樣點光譜曲線可大致分為三部分, 在446—500 nm范圍內水體中的藻類進行光合作用,

利用光能將二氧化碳轉化為儲存能量的有機物, 由反射率光譜可反映出水體中藻類的葉綠素含量; 在500—700 nm范圍內水中藻類表現為弱吸收作用以及細胞的散射作用, 反射率的高低決定了葉綠素濃度的大小; 700 nm以后由于水對光的強吸收作用使得反射率較低, 同時700 nm以后的中紅外波段主要為水體增溫進而提供給藻類生長繁殖的能量, 對湖泊水體的葉綠素a濃度具有指示作用。

3.2 波段分析

高光譜影像相較于多光譜波段具備更多波段集合, 波段輻射特征表達的冗余信息較多且波段間相關系數較高, 因此本文通過主成分分析將原始高光譜影像的32個波段精簡為幾個相關性低、方差解釋信息充分的成分。本研究通過主成分分析得出三個主成分。第一主成分主要反映藻類光合作用強度, 波段區間為B1—B5。第二主成分主要反映藻類的弱吸收和細胞的散射作用, 波段區間為B9—B16。第三主成分主要反映水體吸收光使水體增溫為藻類生長提供能量的作用, 波段區間為B19—B32。通過對波段因子進行主成分分析解決了波段間的多重線性問題, 同時實現了數據降維, 將原本復雜的32個波段轉化為方差解釋主成分, 降低了建模的復雜性。

圖2 太湖采樣點的遙感反射率曲線

Figure 2 Spectrum Reflectance Curve of Taihu Sampling Site

皮爾遜相關系數用于描述兩個變量間的線性關聯度, 一般用表示,的取值在[-1,1]。若>0, 表明兩個變量是正相關; 若<0, 表明兩個變量是負相關。計算公式為:

3.3 不同模型估算葉綠素a濃度分析

將上述確定的波段因子作為自變量, 葉綠素a濃度作為因變量, 兩者進行回歸分析, 由各種算法估算的葉綠素a濃度反演模型如表1所示。由表中可以看出, 中紅外波段參與建模的模型、模型和波段比值模型決定系數較高, 分別為0.3967、0.4169和0.397。而單波段、三波段和四波段模型沒有中紅外波段的參與, 模型的決定系數較低, 分別為0.1212、0.0144和0.2471。由此可得, 中紅外波段參與反演葉綠素a濃度時具有更好的效果。

為了驗證上述分析, 用剩余7個實測數據驗證上述模型, 分別計算模型反演值與實測葉綠素a濃度值的均方根誤差()和相對誤差(), 計算公式如下:

表1 不同葉綠素a模型對比

Figure 3 Comparison of estimated and measured values of chlorophyll a in different models

3.3 葉綠素a濃度反演

將所建立的模型應用于太湖2019年10月29日、2019年11月19日和2019年12月13日的珠海一號高光譜影像, 得到葉綠素a濃度的空間分布結果如圖4所示。反演結果顯示, 太湖葉綠素a濃度在10月份大部分湖區基本保持高濃度狀態, 呈現出東高西低的分布狀態。由于湖西沿岸區域受人類活動影響較小且水體含有的水生植物較少, 湖東區域水生藻類較多。因此反演結果與實際情況較為吻合。11月份和12月份由于氣溫的降低使得水中藻類生長緩慢且大部分藻類趨于老化甚至死亡。湖泊藻類受氣溫的影響葉綠素a濃度高值區域面積明顯減少。11月與12月葉綠素濃度分布狀況變化不大?？傮w上, 10月、11月和12月葉綠素a濃度的分布均呈現東高西低的狀態。

注: (a)10月份; (b)11月份; (c)12月份。

Figure 4 The results of inversion of chlorophyll a concentration from the hyperspectral data of Zhuhai-1

4 討論

通過前文反演結果可以看出, 江蘇省太湖區域葉綠素濃度高值出現在東部湖區, 低值區域主要出現在西部湖區, 根據江蘇省人民代表大會常務委員會在2010年修訂的《江蘇省太湖水污染防治條例》, 江蘇省對太湖流域實行分級保護, 即太湖湖體、沿湖岸五公里區域、入湖河道上溯十公里以及沿岸兩側各一公里范圍為一級保護區; 主要入湖河道上溯10—50公里以及沿岸兩側各一公里范圍為二級保護區; 其他地區為三級保護區。湖泊水體的污染主要由于人類活動的影響和外源污染物質的輸入所導致, 因此湖泊水體的污染狀況和防治措施應得到重視。本文的葉綠素分布圖與朱云芳等人[19]采用神經網絡得到的反演結果相一致, 在梅梁灣、竺山灣和湖心區北部區域葉綠素濃度較高。因此本文對江蘇省太湖水體葉綠素濃度的反演分析具有一定的科學性和合理性, 進一步驗證了WCI模型應用于太湖的適用性。

江蘇省太湖區域是我國最大的淡水湖之一, 對太湖進行污染防治是生態文明建設的標志性工程。太湖水體屬于典型的內陸Ⅱ類水體, 包含除葉綠素濃度外多種影響湖泊水體的其他物質, 如懸浮顆粒物、黃色物質等。受自然環境的改變、人類圍湖造田以及破壞性的漁業活動使得太湖魚類資源減少。因此, 經濟發展與生態保護并行發展是十分必要的, 在湖泊葉綠素濃度高值區域應減少污染物排放, 從而降低水體的營養物質輸入, 可有效避免藍藻水華的大面積爆發。葉綠素濃度低值區域, 應結合生態環境優勢, 合理利用湖泊水資源, 保障生態系統的良好運作, 才能最大程度實現綠水青山就是金山銀山。

本文采用珠海一號高光譜影像反演內陸湖泊水體的葉綠素a濃度從而監測湖泊水體的富營養化狀況。與文獻[20]和[21]重點分析可見光波段原始反射率和微分值與葉綠素濃度的關系有所不同, 本文采用對水體有增溫效果的中紅外波段參與建立反演模型并驗證了模型的合理性和適用性, 為湖泊水體的大面積實時監測、探究葉綠素濃度空間分布格局、制定生態系統服務保護措施提供了參考, 為實現湖泊生態環境保護和可持續發展提供了一定的科學依據。但是同時也存在一些不足之處, 珠海一號數據水色遙感波段的光譜響應機理認識還不夠深刻, 需進一步探索相關光譜響應特征, 如峰谷間距、峰谷位置、峰高等。研究這些特征與內陸湖泊水體的關系, 從而使模型更好地解釋水中各個組分的光學機理。

5 結論

通過主成分分析實現波段降維, 篩選得出珠海一號高光譜影像與葉綠素濃度強相關且包含主要信息的3個波段成分, 分別是光合作用成分、細胞散射成分和水體增溫成分。其中, 光合作用成分主要是可見光波段, 水體增溫成分與中紅外波段有緊密關系。經研究得出, 建立耦合可見光與中紅外波段的WCI反演模型可有效實現湖泊水體葉綠素濃度的反演, 反演結果滿足湖泊葉綠素a濃度監測的需求。將所建立葉綠素濃度反演模型用于不同時間的影像均得到較好的結果, 因此本文研究所建模型的時空穩定性較好。與此同時, 本文研究的內容與方法對于其他湖泊水體反演葉綠素a濃度同樣適用。

[1] 徐祎凡, 李云梅, 王橋, 等. 基于環境一號衛星多光譜影像數據的三湖一庫富營養化狀態評價[J]. 環境科學學報, 2011, 31(1): 81–93.

[2] 吳廷寬, 賀中華, 梁虹, 等. 貴州百花湖葉綠素a高光譜監測模型研究[J]. 人民長江, 2017, 48(3): 23–27.

[3] ZHOU Qu, TIAN Liqiao, WAI O, et al. High Frequency Monitoring of Suspended Sediment Variations for Water Quality Evaluation at Deep Bay, Pearl River Estuary, China: Influence Factors and Implications for Sampling Strategy[J]. Water, 2018, 10(3): 323.

[4] PURANDARA B K, JAMADAR B S, CHANDRAMOHAN T, et al. Water Quality Assessment of a Lentic Water Body Using Remote Sensing: A Case Study[J]. Environmental Pollution, 2018: 371–380.

[5] 韋安娜, 田禮喬, 陳曉玲, 等. 基于窮舉法的鄱陽湖葉綠素a濃度高光譜反演模型與應用研究——以GF-5衛星AHSI數據為例[J]. 華中師范大學學報(自然科學版), 2020, 191(3): 119–125.

[6] 蓋穎穎, 王章軍, 楊雷, 等. 金沙灘近岸水體葉綠素a和懸浮物遙感反演研究[J]. 國土資源遙感, 2020, 32(3): 129–135.

[7] 孫小涵, 胡連波, 馮永亮, 等. 基于HJ-1衛星數據的榮成灣葉綠素a濃度時空變化特征分析[J]. 海洋湖沼通報, 2018(5): 72-79.

[8] 郭宇龍, 李云梅, 王橋, 等. 一種新的水體葉綠素a指數及其應用潛力分析[J]. 光學學報, 2015, 35(11): 18–30.

[9] 黃啟會, 賀中華, 梁虹, 等. 基于高光譜數據的百花湖葉綠素a濃度估算[J]. 環境科學與技術, 2019, 42(1): 134– 141.

[10] 宋挺, 周文鱗, 劉軍志, 等. 利用高光譜反演模型評估太湖水體葉綠素a濃度分布[J]. 環境科學學報, 2017, 37(3): 888–899.

[11] 楊煜, 李云梅, 王橋, 等. 基于環境一號衛星高光譜遙感數據的巢湖水體葉綠素a濃度反演[J]. 湖泊科學, 2010(4): 33–41.

[12] 杜聰, 王世新, 周藝, 等. 利用Hyperion高光譜數據的三波段法反演太湖葉綠素a濃度[J]. 環境科學, 2009, 30(10): 2904–2910.

[13] 林劍遠, 張長興. 航空高光譜遙感反演城市河網水質參數[J]. 遙感信息, 2019, 34(2): 23–29.

[14] EI-AIEM A, CHOKMANI K, LAURION I, et al. Comparative Analysis of Four Models to Estimate Chlorophyll-a Concentration in Case-2 Waters Using MODerate Resolution Imaging Spectroradiometer (MODIS) Imagery[J]. Remote Sensing, 2012, 4(8): 2373–2400.

[15] 王金梁, 秦其明, 李軍, 等. 基于高光譜數據的水體葉綠素a指數反演模型的建立[J]. 農業工程學報, 2014, 30(3): 128–134.

[16] LE Chengfeng, LI Yunmei, ZHA Yong, et al. A four-band semi-analytical model for estimating chlorophyll a in highly turbid lakes: The case of Taihu Lake, China[J]. Remote Sensing of Environment, 2009, 113(6): 1175–1182.

[17] 劉大召, 唐世林, 付東洋. 珠江口水體葉綠素a濃度高光譜反演研究[J]. 廣東海洋大學學報, 2008, 28(1): 49–52.

[18] 蔣城飛, 廖珊, 付東洋, 等. 湛江港海域葉綠素a濃度的高光譜遙感反演[J]. 廣東海洋大學學報, 2016, 36(6): 107–113.

[19] 朱云芳, 朱利, 李家國, 等. 基于GF-1 WFV影像和BP神經網絡的太湖葉綠素a反演[J]. 環境科學學報, 2017, 37(1): 130–137.

[20] 鄧實權, 田禮喬, 李建, 等. 面向GF-5衛星高光譜傳感器的渾濁水體葉綠素a濃度反演算法研究一以鄱陽湖為例[J]. 華中師范大學學報(自然科學版), 2018, 179(3): 123–129.

[21] 孫昊, 周林飛. 石佛寺水庫葉綠素a濃度高光譜遙感反演[J]. 節水灌溉, 2019, 283(3): 67–70.

Inversion analysis of lake chlorophyll-a concentration based on hyperspectral images

FAN Zhiqiang1,2, WANG Zhiguo1,2,*, HUANG Pingping1,2, DONG Yifan1,2, GAO Zhiqi1,2

1. School of Information Engineering, Mongolia Industrial University, Hohhot 010051, Inner Mongolia, China 2. InnerMongolia Key Laboratory of Radar Technology and Application, Hohhot 010051, Inner Mongolia, China

In order to address the rapid change of chlorophyll-a concentration and eutrophication of lake water, Taihu Lake was taken as an example. The hyperspectral images of Zhuhai-1 in October, November and December 2019, spectral characteristic analysis, principal component analysis and Pearson correlation coefficient were used to establish an inverse model to analyze the distribution and temporal and spatial variation of chlorophyll-a concentration in Taihu Lake of Jiangsu Province. Through principal component analysis, the components related to water information were divided, and the WCI model coupling visible and near-infrared radiation signals was established by using the mid-infrared band of Zhuhai-1 hyperspectral image. The results are as follows. (1) The characteristics of water spectral curve were consistent with the results of principal component analysis, which were photosynthesis band, cell scattering band and water warming band. (2) The improved WCI model coupled with visible light, near-infrared and mid-infrared radiation signals had the highest inversion accuracy, with the root mean square error (RMSE) of 1.4008(mg·L-1) and the mean relative error (MRE) of 10.69%. (3) From October to December 2019, the overall chlorophyll concentration of the lake changed little. The remote sensing inversion results of chlorophyll-a concentration in Taihu Lake showed a low concentration in the west of the lake and a high concentration in the east of the lake.

hyperspectral image;chlorophyll-a; eutrophication; model; remote sensing inversion

樊志強, 王志國, 黃平平, 等. 基于高光譜影像湖泊葉綠素a濃度反演分析[J]. 生態科學, 2023, 42(1): 121–128.

FAN Zhiqiang, WANG Zhiguo, HUANG Pingping, et al. Inversion analysis of lake chlorophyll-a concentration based on hyperspectral images[J]. Ecological Science, 2023, 42(1): 121–128.

10.14108/j.cnki.1008-8873.2023.01.014

TP79

A

1008-8873(2023)01-121-08

2020-11-05;

2020-12-30

國家自然科學基金項目(61631011); 內蒙古自治區直屬高?；究蒲许椖?JY20220209); 內蒙古自治區科技計劃項目(2019GG138)

樊志強(1995—), 男, 烏蘭察布人, 碩士, 主要從事高光譜影像定量反演研究, E-mail: fanzhiqiang_95@163.com

王志國, 男, 博士, 講師, 主要從事環境信息化監測技術研究, E-mail:jdywzg@163.com