基于OLCI的長江口及其鄰近海域表層水體顆粒有機碳反演

陳潔南，曹 芳

（華東師范大學 河口海岸國家重點實驗室，上海 200241）

作為全球碳循環的重要組成，海洋碳循環在調控地球生態系統及全球氣候變化等方面扮演著重要的角色（Jahnke, 1996; 宋金明, 2003; 殷建平等, 2006; Cao et al, 2018）。海洋顆粒有機碳（Particulate Organic Carbon, POC）在海洋碳循環中有著極高的流動性和轉化率，參與許多重要的海洋生物地球化學過程，是海洋碳通量和儲量變化監測評估研究的重要內容之一（Siegenthaler et al, 1993; 李寧等,2005; Bauer et al, 2013; Kharbush et al, 2020）。

盡管總面積占比不足全球海洋的10%，但邊緣海貢獻了全球80%以上的海洋有機碳埋藏通量，很大程度上影響著全球碳收支（Walsh, 1991）。中國邊緣海是典型的陸架邊緣海，每年長江、黃河、珠江等河流會攜帶大量陸源有機碳物質匯入邊緣海，陸源POC、海源POC、海底沉積物再懸浮以及溶解有機碳轉化的POC等在河口及其鄰近海域交匯混合，此外還疊加地理位置、沉積環境和多種水動力條件等的影響（劉茜等, 2018; Zhao et al, 2021），是海洋碳循環研究的熱點區域之一。通過衛星遙感精確刻畫河口及其邊緣海區域POC時空分布，對于深入理解該區域碳的生物地球化學過程具有重要的科學意義（Brewin et al, 2023）。

自Stramski等（Stramski et al, 1999）首次提出利用水色遙感技術反演表層POC濃度以來，前人已經發展出多種表層POC遙感反演算法，如通過將顆粒物后向散射系數（Particulate Backscattering Coefficient，bbp）或顆粒物光束衰減系數（Particulate Beam Attenuation，cp）等水體固有光學參數（Inherent optical Properties，IOPs）、懸浮顆粒物濃度（Suspended Particulate Matter，SPM）或葉綠素a濃度（Chlorophyll-a，Chla）等參數作為光學代理，關聯遙感反射率（Remote Sensing Reflectance，Rrs）和水體表層POC濃度的兩步算法（Gardner et al, 2006; Stramski et al, 2008; Werdell et al, 2018）；或直接基于Rrs波段比值或Rrs波段組合的經驗算法等（Allison et al, 2010）。然而，不同水體的POC，其來源及成分也不盡相同。大洋水體中，POC主要來源于原生的浮游生物和有機碎屑，藍綠波段比值算法能很好地適配這些海域；而對于近岸邊緣海水體，受陸源輸入和多重環境因素的共同影響，POC的來源和組成復雜多變，針對大洋海域開發的算法無法適用（Hung et al, 2013; 劉東, 2017）。Liu等（2015）在珠江口海域比較了表層POC濃度的藍綠波段比值算法（Stramski et al, 2008）和最大歸一化碳指數算法（Maximum Normalized Difference Carbon Index，MNDCI）（Son et al, 2009），算法精度都劣于其基于實測遙感反射率的波段比值組合算法。針對水體光學性質復雜的中國東部邊緣海水體（包括渤、黃、東海），魏小島等（Wei et al, 2019）將其劃分為3種水體類型，分別使用了3種光學代理參數針對不同水體類型進行了表層POC濃度反演算法的開發。

長江口及其鄰近海域作為連接長江和東海的重要通道，承載巨量陸源POC的輸入，在該區域內發生的一系列復雜的物理和生物地球化學過程顯著影響著該海域POC的時空分布。為了更加準確地估算該海域表層POC濃度，本研究基于2022年長江口及其鄰近海域實地采集的水色光譜數據和表層POC濃度數據，結合新一代海洋水色傳感器Sentinel-3 OLCI（Ocean and Land Colour Instrument）的衛星影像，比較了常見的大氣校正方法和表層POC濃度反演算法的精度和適用性，遴選出適用于OLCI傳感器數據的長江口及其鄰近海域水體的大氣校正方法和表層POC濃度反演算法，用以簡析2022年長江流域汛期極端枯水現象對該海域表層POC濃度時空變化的影響并與往年同期表層POC濃度的時空變化進行比較。

1 數據與方法

1.1 研究區概況

本研究聚焦長江口及其鄰近東海海域（121°00′～124°00′E, 29°00′～32°30′N）（圖1）。研究區位于亞熱帶季風區，受東亞季風影響，長江徑流呈現顯著的季節變化，夏季在東南風或偏南風影響下，長江沖淡水離岸擴展，影響范圍最廣，冬季則在西北或偏北風主導下，沿閩浙沿岸南下。研究區的物理和生物地球化學過程復雜，除受長江沖淡水及東海潮汐影響外，還受黑潮、臺灣暖流、蘇北沿岸流等水動力過程的影響，水體的生物光學性質復雜多變（林晶, 2007）。

圖1 研究區域位置及各航次調查站位Fig. 1 Location of the study area and sampling stations

1.2 現場實測數據

本研究實測數據依托2022年3次國家自然科學基金委員會“長江口科學考察實驗研究”共享航次采集。航次調查時間分別為2022年3月1日至6日（冬季航次），2022年7月25日至29日（夏季航次）和2022年10月30日至11月7日（秋季航次），每個航次涵蓋7條調查斷面共64個站位（圖1）。采集的現場數據包括構建POC遙感反演算法所需的海表遙感反射率Rrs（λ）數據及水體濾膜樣品。

1.2.1 實測遙感反射率數據

按照NASA海洋光學測量規范 （Pegau et al, 2003），利用海面高光譜測量系統（HyperSAS，Sea-Bird Scientific公司），采用“水面之上”法獲取海表遙感反射率Rrs（唐軍武等, 2004; Sokoletsky et al,2014）。該系統由3個高光譜探測器組成，分別同步測量下行輻照度Es、水體上行輻亮度Lt和天空光下行輻亮度Li，2個輻亮度探頭與太陽方位角的夾角為90°～135°，輻照度探頭指向天空。光譜波段范圍為350～856 nm，分辨率為1 nm。遙感反射率Rrs計算式如下：

式中ρsky為水氣界面反射率，可通過風向、風速、太陽位置和觀測位置等計算得到（H?jerslev, 2001）：其中w為風速。太陽位置和觀測位置等因素會影響Li和Es，進而改變ρsky。

實測遙感反射率根據Sentinel-3 OLCI的光譜響應函數，通過卷積運算獲得OLCI等效波長所測得的遙感反射率（Pahlevan et al, 2017; Zhang et al, 2018）：

式中：Rrs為傳感器測量的等效遙感反射率；λ1、λ2分別為波段范圍內的上限和下限波長；Sλi為波長為λi時傳感器的光譜響應函數；Rrs(λi)為λi時的實測遙感反射率。卷積后得到16個等效波段，考慮到水汽吸收作用以及部分波段大氣校正結果缺失或有誤，本研究使用10個波段（400、412.5、442.5、490、510、560、620、665、673.75和681.25 nm）進行后續分析。2022年3個航次共采集遙感反射率光譜73條，經過篩選后，保留有效遙感反射率數據共57條。

1.2.2 實測表層POC濃度數據

表層水體POC樣品的采集和分析測試遵循全球海洋通量聯合研究（Joint Global Ocean Flux Study，JGOFS）的測量標準進行（Knap et al, 1996）。航次執行期間，利用Niskin 卡蓋式采水器采集研究區表層水樣，用0.7 μm的Whatman GF/F 玻璃纖維濾膜（預先于450 ℃下灼燒5 h）現場低壓過濾后，將濾膜樣品用鋁箔紙包裝并置于?20 ℃冰箱中冷凍保存。

于實驗室內，將濾膜樣品置于65 ℃ 烘箱中充分干燥，再于密閉容器中用濃鹽酸蒸汽熏蒸24 h以上，以保證去除顆粒無機碳（Particulate Inorganic Carbon，PIC）（Grob et al, 2007）；熏蒸完畢后，再次干燥濾膜，后使用Vario Macro Cube元素分析儀對濾膜進行高溫灼燒來測定碳元素的百分比質量，再乘以樣品顆粒物質量，并扣除空白濾膜質量，除以樣品過濾體積，即可得到實測POC濃度數據。3個航次中，除4個站位因海況較為惡劣未采集到適量樣品，其余站位均采集到足量樣品。本研究共采集和測定了表層水體POC樣品188份。

POC原位測量數據是評估反演算法性能的重要依據。但POC測量的準確性尚不完全清楚，部分誤差無法完全消除且難以準確量化。例如DOC（Dissolved Organic Carbon，DOC）吸附造成的正偏倚；水樣中的大顆粒采集不足，過濾時的壓力差及能透過0.7 μm濾膜的小體積POC等導致的負偏倚等（Moran et al, 1999）。通常認為在水樣過濾過程中盡量減少樣品暴露時間，以較小的壓差進行水樣抽濾，增加水樣過濾體積能有助于減小測量誤差（Gardner et al, 2003）。

1.3 衛星影像數據

歐洲空間局（European Space Agency，ESA）分別于2016年2月16日和2018年4月25日發射了Sentinel-3A和Sentinel-3B衛星，2顆衛星均搭載了新一代水色傳感器OLCI。OLCI是歐空局Envisat-MERIS（Medium Resolution Imaging Spectrometer）的后繼衛星傳感器，繼承了MERIS傳感器的波段設置，并在水色遙感探測方面進行了相關優化（Kyryliuk et al, 2019）。OLCI共設有21個波段，波段范圍為400～1020 nm。雙星組合下，其在長江口區域的重訪周期小于2天。OLCI傳感器的L1B產品根據空間分辨率可分為300 m（Full Resolution，FR）和1.2 km（Reduced Resolution，RR）（Donlon et al,2012）。本研究使用其300 m分辨率的FR L1B級產品進行后續處理。

1.4 衛星數據的大氣校正

大氣校正是衛星數據預處理過程中的關鍵步驟之一，其精度會直接影響水色產品的準確性和可靠性。目前暫時還沒有普適于各種渾濁水體的大氣校正方法，同時也需要針對Sentinel-3 OLCI衛星數據尋找適用于長江口及其鄰近海域等高濁度水體的大氣校正方法。因此，本研究選取常用的3種大氣校正方法及2種官方大氣校正的結果進行對比分析和適用性評估，以遴選出適用于長江口及其鄰近海域的OLCI衛星大氣校正方法。

ACOLITE方法專為沿海和內陸水域觀測所設計，提供EXP（Exponential Extrapolation）和DSF（Dark Spectrum Fitting）兩種算法，當前版本推薦使用DSF算法。該算法假設研究區域大氣成分存在均一性且區域內至少存在一個波段地表反射率為0，而后根據影像創建一條“暗光譜”，基于“暗光譜”估算氣溶膠貢獻，進而推算真實的地物反射信息（Vanhellemont et al, 2018）。本研究使用了開源處理器ACOLITE（acolite_py_win_20221114.0）。

C2RCC方法基于大量世界各地光學性質復雜水體的實測數據，利用水體光學傳輸模型和大氣傳輸模型，模擬不同情況下的下行輻亮度和離水輻亮度數據集，再利用模擬的數據集構建神經網絡模型，演算真實的水色數據（Soriano-González et al, 2022）。本研究使用集成于歐空局SNAP（Sentinel Application Platform）軟件中的C2RCC v2.1進行數據處理。

Polymer方法利用藍光波段到近紅外光波段的整個光譜范圍，將大氣和水體光學信號解耦，完成大氣校正。該方法放棄通過近紅外波段估算大氣參數，改用全光譜建立多項式擬合大氣貢獻；同時使用Chla濃度和顆粒物后向散射系數來模擬離水反射信息（Steinmetz et al, 2018）。本研究基于Polymer v4.16開源算法的源碼進行大氣校正處理。

BAC方法是歐空局最初基于MERIS（Medium Resolution Imaging Spectrometer）設計的大氣校正方法，該法基于多重散射算法估計大氣氣溶膠的數據，并添加了耀斑校正以獲取渾濁水域近紅外波段的水體光學信息（Steinmetz et al, 2011）。BAC大氣校正數據下載自https://data.eumetsat.int/product/EO:EUM:DAT:0407。

l2gen是美國國家航空航天局（National Aeronautics and Space Administration，NASA）針對L1B級衛星數據所發展的標準大氣校正算法，該方法通過測量2個近紅外波段并外推到可見光波段來估算氣溶膠數據，同時結合了生物光學模型，可應用于渾濁水體（Bailey et al, 2010）。大氣校正數據結果源自https://oceancolor.gsfc.nasa.gov/。

1.5 表層POC濃度反演算法的發展和驗證

本研究主要考慮基于遙感反射率發展反演算法，嘗試了波段比值和波段比值組合兩種方法，波段比值及波段組合類型見表1，并與傳統藍綠波段比值算法（式（3））（Stramski et al, 2008）進行對比。

表1 波段比值、波段比值組合類型Table 1 The types of band ratios and their combinations

式中b0和b1為常數系數。

波段比值通過遍歷不同遙感反射率波段比值與表層POC濃度之間的相關性，尋找最優波段比值，再將該值與表層POC濃度分別進行線性或非線性的擬合。類似地，波段比值組合則是通過尋找最優波段比組合與表層POC濃度之間多元線性關系構建準確反演POC濃度的方法。

藍綠波段比算法由Stramski等（2008）基于東南太平洋和東大西洋航次數據所提出，他們發現在研究海域內，隨著表層POC濃度的升高，海水遙感反射率光譜峰值會從藍光波段（443和490 nm）向綠光波段（560 nm）偏移，且藍綠光波段遙感反射率比值與表層POC濃度之間存在冪指數關系。該算法能準確有效地獲取全球許多海域表層POC濃度信息，是全球海洋表層POC濃度的標準算法。

1.6 算法驗證及精度評估

為了評估大氣校正模型及衛星反演POC算法的精度，將現場數據與衛星數據進行時空匹配。具體標準如下。1）現場實測數據與衛星過境時刻的時間差（時間窗口）限制在±24 h以內（Le et al,2013）；2）衛星影像提取值是以現場采樣像素點為中心的3 × 3網格內所有有效像元的平均值，要求有效像素數≥5，并且Rrs（490）和Rrs（555）波段處的變異系數＜0.20（Bailey et al, 2006）。

本研究中大氣校正方法和表層POC濃度反演算法的精度采用平均絕對百分比誤差（Mean Absolute Percent Error，MAPE）、均方根誤差（Root Mean Square Error，RMSE）和偏差（Bias）作為評估指標。各指標計算式如下：

式中：Ei為算法預測值；Mi為實測值；N為實測值與預測值相匹配的數量。

2 結果與討論

2.1 實測表層POC含量及分布特征

2022年3個航次調查的POC呈現出顯著的季節變化（圖2）。冬季航次（3月）長江口的實測表層POC濃度范圍為0.07～16.97 mg/L，均值為1.09 mg/L；夏季航次（7月）長江口實測表層POC濃度范圍為0.21～1.88 mg/L，均值為0.57 mg/L；秋季航次（11月）長江口實測表層POC濃度范圍為0.12～2.72 mg/L，均值為0.51 mg/L。

圖2 各航次實測表層POC濃度插值結果Fig. 2 The interpolated distribution of surface concentration of POC using in situ point measurements

在以上3個季節，該海域表層POC濃度均呈現由近岸向外海遞減的趨勢，高值主要集中于長江口門附近和近岸海域，3個航次的最高值均出現于122°～123°E的最大渾濁帶海域；而在最大渾濁帶以東，表層POC濃度顯著下降?；趯崪y的表層POC濃度分布及變化趨勢與前人的研究基本一致（邢建偉等, 2014; Zhao et al, 2019; 李倩等, 2021; 張敬慧等, 2022）。實測表層POC濃度數據的插值結果顯示，3月122°E以東的實測表層POC濃度較其他2個季節更低，蘇北沿岸和杭州灣口門濃度顯著高于其他區域；7月—8月通常為長江口及其鄰近海域藻華暴發的中后期（于仁成等, 2017），水體表層有機質充沛，同時恰逢2022年夏季長江流域出現罕見的極枯現象，陸源POC輸入大幅減少，或許正是2022年7月該海域123°E以東區域高于3月和10月，表層POC濃度最高值位于長江入?？诟浇脑?；10月該海域表層POC濃度的分布則逐漸趨于正常（林晶, 2007）。

2.2 大氣校正方法精度驗證與比較

將Sentinel-3 OLCI L1B衛星數據經過5種大氣校正方法處理后得到的遙感反射率與實測遙感反射率進行匹配驗證（圖3），精度驗證結果見表2。5種大氣校正方法機理各異，根據各自的算法標準，部分站位、部分波段會被掩膜處理或生成無效值，最終會使得各種大氣校正方法的匹配站位數量不完全一致。本研究實測數據量有限，5種大氣校正方法同時能匹配的站位數量較少，可能缺乏統計學意義；同時，不同站位實測數據所反映出的結果相互獨立，一般不存在相互影響的情況，因此本研究基于5種大氣校正方法各自得到的數據結果進行精度驗證及比較。C2RCC和Polymer均匹配到54個站位，BAC和ACOLITE、NASA分別匹配到37、34和24個站位。官方大氣校正方法中，BAC在5種方法中效果最差（MAPE＞200%）；NASA在412.5 nm、442.5 nm波段精度優于其他4種方法，但從490 nm波段開始精度下降，665 nm波段的精度已然不佳，且在許多波段其大氣校正失效。余下的3種方法的精度大體都呈“中間小，兩頭大”，即綠光波段（490、510和560 nm）的精度高于藍紫光波段（400、412.5 和442.5 nm）和紅橙黃光波段（620、665、673.75和681.25 nm）。5種方法中，BAC的大氣校正結果在各波段均高于實測結果，存在明顯高估現象，ACOLITE在400 nm也存在一定高估，其他大氣校正方法的結果均低于實測值。

表2 5種大氣校正算法的精度評估Table 2 Accuracy assessments of five atmospheric correction approaches

圖3 實測光譜數據與5 種大氣校正算法的結果對比Fig. 3 Comparisons of measures data and five atmospheric correction approaches

5種方法中，ACOLITE結果最優，除412.5 nm波段，MAPE均低于40%，且與實測數據的匹配數量適用于后續的反演算法驗證，因此選定ACOLITE作為本研究的最優大氣校正方法。

2.3 表層POC濃度反演算法驗證

本研究利用實測遙感反射率數據構建表層POC濃度反演算法，將57條實測光譜數據以7∶3的分配比例隨機劃分為訓練集和測試集；基于訓練集，依照前文提及的算法形式遍歷所有可能的波段比和波段組合，確定反演算法的具體表達式；進而利用測試集對所得到的算法進行精度驗證，最后結合與實測數據相匹配的衛星大氣校正結果進一步驗證算法的適用性，具體結果見表2。

精度評估結果顯示，藍綠波段比值算法中，Rrs（490）/Rrs（560）的精度（MAPE = 46.42%）稍高于Rrs（430）/Rrs（560）（MAPE=49.24%），但2種算法總體精度均較低，可能是由于該海域屬于高度渾濁水體，受到水體中大量陸源物質光學信號的干擾；而基于Rrs（490）/Rrs（665）的波段比值算法精度較藍綠波段比值有明顯提高（MAPE=35.66%）；4種算法中基于Rrs（665）/Rrs（510）和Rrs（620）/Rrs（490）的波段比值組合算法精度最高（MAPE=30.02%）（圖4、表3）。因此，本研究選取波段比值組合算法作為該海域的表層POC濃度反演算法。

表3 基于訓練集和測試集構建的各類最優反演算法及精度評估Table 3 Algorithms developed for surface POC retrievals using training and validation datasets and associated accuracy assessments

圖4 反演結果與實測數據對比Fig. 4 Comparisons of retrieved POC derived from different algorithms with in situ measured POC

2.4 POC 遙感反演算法的應用

2.4.1 基于實測數據的反演算法應用與衛星數據驗證

根據2.2節和2.3節的評估驗證結果，本研究選擇ACOLITE方法作為長江口及其鄰近海域Sentinel-3 OLCI L1B級數據的大氣校正方法，并以本研究中的波段比值組合算法作為該海域的表層POC濃度反演算法。

為了更加直觀展示表層POC濃度算法的效果，本研究將算法應用到2022年航次調查時間和Sentinel-3 OLCI衛星過境時間相重疊的少云影像上（圖5），并與實測表層POC濃度數據（圖2）對比，若航次期間沒有合適的衛星數據，則挑選相鄰時間在一周以內的數據代替。圖像結果與2.1節實測表層POC數據的分布及趨勢基本一致，表現出近岸及口門區域由于受陸源影響導致的POC較高（＞?0.6 mg/L），而離岸陸架區域POC含量較低（＜?0.3 mg/L），但由于發展算法的數據集中近岸數據較少，近岸海域的結果存在一定程度的低估。

圖5 與航次時間相匹配的算法反演結果Fig. 5 Algorithms retrieval results matching with different cruise time

2.4.2 不同水文條件影響下長江口及其鄰近海域POC的時空分布

長江徑流變化顯著影響了河口及其鄰近海域POC的時空分布。2022年夏季，長江流域出現了自1961年有完整氣象觀測記錄以來最為嚴重的氣象干旱（中國人民共和國水利部, 2023），長江流域汛期出現嚴重枯水現象（大通站徑流量 2.25×104m3/s）。而2020年夏季，受上游強降雨影響，長江流域出現特大洪水（大通站徑流量 6.30×104m3/s）（張淑坤等, 2022）。本研究將反演算法分別應用于2020—2022年每年8月的OLCI圖像（圖6）。由于長江口及其鄰近海域常年多云，而8月更是降雨頻繁且臺風出現概率較高，因此難以獲取充足的衛星數據進行分析。本研究僅從每年8月篩選出1景少云OLCI影像，來討論長江口及其鄰近海域表層POC對干旱和洪水兩種現象的響應。若將2021年8月視為正常徑流狀況（大通站徑流量4.50×104m3/s），可發現2022年8月的長江口門和近岸區域表層POC濃度明顯偏低；在123°E以東海域，2021年數據缺失，不作討論，2022年濃度低于2020年，且2020年這些外海區域的濃度值高于一般情況?；谝陨闲畔?，本研究推測2020年長江流域大洪水稀釋了長江口門和近岸海域，且短時間內大量匯入的徑流將陸源有機質輸運至124°E甚至更遠的海域；而2022年長江流域干旱，導致較少的陸源POC輸送到河口及陸架區域，在圖像中顯示為122°～123°E表層POC濃度大致為0.20～0.40 mg/L。

圖6 2020—2022年長江口8月洪水（2020年8月）、正常徑流條件（2021年8月）及流域干旱（2022年8月）下POC算法應用結果Fig. 6 Retrieval results of POC algorithms for flooding, baseline, and drought conditions in August 2020—2022 in the Yangtze River Estuary

2.5 不確定性分析

受限于天氣、海況、航次執行時間、科考船及科考人員自身條件等因素，實測數據的采集存在一定不確定性，特別是實測遙感反射率數據。實測遙感反射率數據的數量和質量直接決定了反演算法的準確度。本研究所采用的57條實測遙感反射率數據數量略少，且絕大多數來自于122°30′E以東的海域，其中123°00′E以東的數據超過了總數的60%。雖然在空間分布上大體上覆蓋了整個研究區域，但在122°30′E以西的長江入?？?，特別是江蘇、浙江的近岸海域等局部區域，數據量略顯不足。因此，本研究所發展的算法在122°30′E以西海域與實測數據存在較大差距，2022年3月和7月航次的實測與算法結果差異較為顯著。此外，本研究缺少春季的相關數據，對于該海域春季表層POC濃度的反演，仍有待進一步驗證。

李淵等（2019）基于鄰近的杭州灣水域小樣本的實測遙感反射率數據，能夠對懸浮顆粒物濃度進行較為精準的估算。但杭州灣水域懸浮顆粒物濃度普遍較高，水體性質相對均一；而長江口及其鄰近海域以最大渾濁帶為界，東西兩側水體性質呈現較大差異。孫璐等（2017）同樣在該海域，通過63條實測遙感反射率數據反演CDOM（Colored Dissolved Organic Matter，CDOM），其數據采集時間集中于4月和5月?？傮w而言，本研究需要進一步保證實測光譜數據在空間上的均勻分布和各季節實測數據的豐富度，以改進當前仍存在一定局限性的反演算法。

3 結論

本研究利用Sentinel-3 OLCI衛星數據，結合實測遙感反射率和實測表層POC濃度數據，就長江口及其鄰近海域表層POC濃度遙感反演進行了相關研究。評估了5種大氣校正方法在長江口及其鄰近海域的OLCI衛星影像上的適用性，并在此基礎上遴選出有效的表層POC濃度反演算法，主要研究結論如下。

1）對于Sentinel-3 OLCI數據，5種大氣校正方法中，ACOLITE的表現最優，能獲得較多的有效值。與實測值相比，該大氣校正方法在大多數波段的平均絕對百分比誤差MAPE均小于35.00%；基于Rrs（665）/Rrs（510）和Rrs（620）/Rrs（490）的波段比值組合算法在該區域有著較好的反演精度。

2）基于Rrs（665）/Rrs（510）和Rrs（620）/Rrs（490）的波段比值組合算法對于反演該海域表層POC具有較好的精度，應用于衛星影像上也有較好的效果，針對訓練集和測試集MAPE分別為30.02%和31.78%，魯棒性較好。

3）算法的衛星應用結果表明，本研究的算法能較為合理準確地反映洪水、流域干旱和正常徑流等不同水文條件下該海域表層POC濃度分布與變化趨勢，為進一步將算法推廣應用到長時序遙感影像提供了一定的依據。