基于高光谱影像湖泊叶绿素a浓度反演分析

樊志强, 王志国,*, 黄平平, 董亦凡, 高志奇

基于高光谱影像湖泊叶绿素a浓度反演分析

樊志强1,2, 王志国1,2,*, 黄平平1,2, 董亦凡1,2, 高志奇1,2

1. 内蒙古工业大学信息工程学院, 内蒙古 010051 2. 内蒙古自治区雷达技术与应用重点实验室, 内蒙古 010051

针对湖泊叶绿素a浓度的快速变化及水体富营养化问题, 以太湖水体为例, 利用太湖区域2019年10月、11月和12月的珠海一号高光谱影像, 采用波谱特征分析、主成分分析、皮尔逊相关系数、建立反演模型分析江苏省太湖区域水体叶绿素a浓度的分布状态以及时空变化状况。通过主成分分析划分与水体信息相关的成分, 提出采用珠海一号高光谱影像的中红外波段建立耦合可见光和近红外辐射信号的WCI模型。结果表明: (1)水体光谱曲线特征与主成分分析结果一致, 分别为光合作用波段、细胞散射波段和水体增温波段。(2)改进的耦合可见光与中红外辐射信号的建立的WCI模型的反演精度最高, 均方根误差RMSE为(1.4008 mg·L-1), 平均相对误差(MRE)为10.69%。(3)2019年10月一12月间, 湖泊叶绿素浓度整体变化不大, 太湖叶绿素a浓度的遥感反演结果总体上呈现为湖西区域浓度较低, 湖东区域浓度较高的特征。

高光谱影像; 叶绿素a; 水体富营养;模型; 遥感反演

0 前言

叶绿素a(Chlorophyll-a, Chl-a)是影响内陆湖泊水色的重要物质之一, 其浓度的变化反映了湖泊水质的污染状况, 是湖泊环境监测的重要指标[1]。叶绿素a浓度与藻类的种类、数量等密切相关, 是评价水体的富营养化程度的重要参数, 因此监测叶绿素a浓度具有重要的现实意义。传统的叶绿素a测定方法, 从野外采集水样, 将其带回实验室对其进行过滤、萃取、测定, 从而确定叶绿素a浓度[2]此类方法的缺点是需要耗费大量的人力、物力且无法实现大面积水域的同步测量[3]。

随着遥感技术的发展, 传感器空间分辨率和光谱分辨率的性能指标进一步提高, 通过遥感影像监测可实现高效, 实时, 大范围的水质参数定量反演。特别是星载高光谱遥感为内陆水体监测提供了有利条件, 国内外学者开展了一系列的相关研究。Purandara等[4]建立了印度文伯纳德湖Landsat-TM数据与悬浮泥沙间的关系, 并用现场数据进行了验证; 韦安娜等[5]采用穷举法建立了高分五号数据的三波段模型, 结果表明该模型反演叶绿素a浓度效果较好; 盖颖颖等[6]采用机载海洋高光谱数据仪光谱数据对叶绿素a和悬浮物进行反演, 获得了研究区的叶绿素a和总悬浮物浓度的空间分布状况; 孙小涵等[7]利用荣成湾Chl-a浓度实测值和HJ-1卫星数据, 对3种适用于黄海二类水体的Chl-a浓度反演算法的精度进行了验证, 并分析了其浓度随时空变化的情况; 郭宇龙等[8]提出了一种新的水体叶绿素a指数CSI(叶绿素a光谱指数), 结果表明CSI对水体叶绿素a浓度大小具有指示作用, 反演精度与三波段算法相近。由于不同研究区域的光学特性和所采用数据源的不同, 使得最优模型结构及参数存在较大差异, 文献[9][10]分别对多种模型进行比较, 以得出最优模型来反演叶绿素a浓度。高光谱影像的光谱分辨率高, 在相同的波长区间中较多光谱影像有更多的波段可供选择, 因此更适合用于反演叶绿素a浓度。文献[11][12]分别基于高光谱影像建立了三波段反演模型, 结果表明反演效果较好。由上述可知, 国内外学者基于不同遥感数据源对于不同自然环境下的水体进行了叶绿素a浓度反演, 但是对于遥感影像特定的波段参与叶绿素a浓度反演的物理机理研究还不够深入, 缺少必要的实证研究。

本研究以太湖水域为研究区, 通过2019年11月19日的珠海一号高光谱影像和同步水质化学实测数据, 由主成分分析筛选出与湖泊藻类叶绿素浓度强相关的波段成分, 并采用对湖泊水体有增温作用的中红外波段建立遥感反演模型, 以实测数据为依据对模型反演结果精度进行验证分析。最后对模型反演所得的叶绿素浓度分布状况进行整体趋势分析, 以便对内陆二类水体叶绿素a浓度的高光谱反演研究提供有价值的物理模型方法参考。

1 研究区概况与数据源

太湖位于江苏省南部, 长江中下游地区, 地处于东经119°52′32′′—120°36′10′′、北纬30°55′40′′—31°32′58′′之间。太湖水域面积约为2388平方公里, 最大水深不足3 m, 湖岸线393.2公里。太湖常年受到季风和台风的影响, 在风浪的作用下, 湖中的沉积物容易发生再悬浮并使得水体要素组成发生改变, 进而改变了水体主要的光学响应特征, 增加了水体光学作用过程的复杂度, 导致一定程度降低了遥感反演模型的精度和普适性。因此, 对于光学特性复杂的内陆水体, 目前并没有较好的满足时空变化的通用模型, 并且太湖是我国重点治理的富营养化水域之一, 因此研究设计反演太湖的叶绿素a浓度揭示其时空分布规律具有重要意义。

1.1 数据采集

研究检索卫星过境时间, 同步获取2019年11月19日均匀分布于太湖区域的37个站点的叶绿素a浓度实测数据, 各站点数据包含监测站点的经纬度、叶绿素a浓度/(mg·L-1)等。采样期间选择未发生水华且藻类分布比较均匀的水体, 对水样的各项指标进行测定。采样点分布位置如图1所示, 采样当日天气晴朗, 风速基本保持在5 m·s-1左右。

统计采样数据得出, 叶绿素a浓度最高值出现在太湖的锡东西南站点, 为22.3 mg·L-1。最低值出现在胥湖心(HF)站点, 为1.3 mg·L-1。叶绿素a浓度的均值是7.5 mg·L-1。37个采样点包含了从低到高的各种叶绿素a浓度的水体, 能较好地代表整个湖泊的叶绿素a浓度分布变化数值范围。

1.2 遥感数据与预处理

1.2.1 遥感数据

珠海一号高光谱数据的空间分辨率为10 m, 光谱平均分辨率为2.5 nm, 共有32个波段, 波谱范围为400—1000 nm。本文选用的遥感数据为2019年11月19日过境太湖的两景珠海一号高光谱数据。叶绿素a浓度反演方法所使用的波段均能在珠海一号数据中获得, 从而为空间尺度的水体叶绿素a定量反演提供了较为可靠的影像数据。由于遥感影像受到水体与传感器间大气辐射传输过程影响, 因此需要对影像进行相应的预处理。

图1 采样点位分布图

Figure 1 Sampling point distribution map

1.2.2 影像预处理

由于遥感影像成像过程中的复杂性, 传感器接收到的能量与地物本身辐射的能量是有差异的。传感器记录输出的能量信号包含了由于太阳位置和角度条件、大气条件、地形影响以及传感器本身的性能等所引起的各种失真, 这些失真会对影像的使用和理解造成影响, 必须加以校正或消除。本研究影像的预处理过程参考欧比特高光谱数据使用说明, 主要包括辐射定标、大气校正、正射校正、影像镶嵌、水域提取等过程。其中, 辐射定标将珠海一号高光谱遥感影像的值转化为辐射亮度值, 大气校正用于剔除大气及其他因素的影响获得表观反射率, 正射校正对影像成像过程中产生的几何畸变进行校正。由于一景遥感影像无法覆盖整个太湖区域, 将两景影像拼接并用水体边界矢量裁剪得到研究区太湖水体的高光谱遥感影像。

2 模型方法

2.1 单波段模型

单波段模型通常选用特定波长处反射率值作为自变量, 进而建立的线性或非线性反演模型[13]。叶绿素a在440 nm、685 nm、700 nm均与叶绿素a浓度相关性较高, 但是440 nm附近受非色素颗粒物和黄色物质的影响较大, 所以685 nm和700 nm附近反射率值较为常用。

2.2 波段比值模型

波段比值模型通常使用近红外波段较大反射率值与红波段较小反射率值进行组合来估算叶绿素a浓度[13], 即R(NIR)/R(RED)。

2.3 三波段模型

三波段模型的具体形式为:

2.4 NDCI模型

Maisha等早在1997年提出了一种叶绿素估算指数——归一化叶绿素指数(Normalized Difference Chlorophyll Index,),模型的表达式可以表示为:

2.5 WCI模型

王金梁等[15]通过借鉴植被叶绿素监测指数(Meris Terrestrial Chlorophyll Index)的研究思路, 构建了基于水体叶绿素a的监测指数(Water Chlorophyll-a Index)。模型可用式(3)表示:

2.6 四波段模型

Le等[16]在三波段模型的基础上进行改进得到了四波段模型。四波段模型采用高光谱数据的四个波段进行组合, 近红外波段的加入减弱了悬浮颗粒的吸收和后向散射影响。四波段模型的表达式如下:

3 结果与分析

3.1 光谱特征分析

图2为2019年11月19日珠海一号高光谱影像对应于采样点提取出的光谱曲线。

从图2中可以看出, 太湖的珠海卫星遥感反射率曲线呈现典型的二类水体的特征, 各采样点的光谱曲线具有相似的趋势。各采样点光谱曲线可大致分为三部分, 在446—500 nm范围内水体中的藻类进行光合作用,

利用光能将二氧化碳转化为储存能量的有机物, 由反射率光谱可反映出水体中藻类的叶绿素含量; 在500—700 nm范围内水中藻类表现为弱吸收作用以及细胞的散射作用, 反射率的高低决定了叶绿素浓度的大小; 700 nm以后由于水对光的强吸收作用使得反射率较低, 同时700 nm以后的中红外波段主要为水体增温进而提供给藻类生长繁殖的能量, 对湖泊水体的叶绿素a浓度具有指示作用。

3.2 波段分析

高光谱影像相较于多光谱波段具备更多波段集合, 波段辐射特征表达的冗余信息较多且波段间相关系数较高, 因此本文通过主成分分析将原始高光谱影像的32个波段精简为几个相关性低、方差解释信息充分的成分。本研究通过主成分分析得出三个主成分。第一主成分主要反映藻类光合作用强度, 波段区间为B1—B5。第二主成分主要反映藻类的弱吸收和细胞的散射作用, 波段区间为B9—B16。第三主成分主要反映水体吸收光使水体增温为藻类生长提供能量的作用, 波段区间为B19—B32。通过对波段因子进行主成分分析解决了波段间的多重线性问题, 同时实现了数据降维, 将原本复杂的32个波段转化为方差解释主成分, 降低了建模的复杂性。

图2 太湖采样点的遥感反射率曲线

Figure 2 Spectrum Reflectance Curve of Taihu Sampling Site

皮尔逊相关系数用于描述两个变量间的线性关联度, 一般用表示,的取值在[-1,1]。若>0, 表明两个变量是正相关; 若<0, 表明两个变量是负相关。计算公式为:

3.3 不同模型估算叶绿素a浓度分析

将上述确定的波段因子作为自变量, 叶绿素a浓度作为因变量, 两者进行回归分析, 由各种算法估算的叶绿素a浓度反演模型如表1所示。由表中可以看出, 中红外波段参与建模的模型、模型和波段比值模型决定系数较高, 分别为0.3967、0.4169和0.397。而单波段、三波段和四波段模型没有中红外波段的参与, 模型的决定系数较低, 分别为0.1212、0.0144和0.2471。由此可得, 中红外波段参与反演叶绿素a浓度时具有更好的效果。

为了验证上述分析, 用剩余7个实测数据验证上述模型, 分别计算模型反演值与实测叶绿素a浓度值的均方根误差()和相对误差(), 计算公式如下:

表1 不同叶绿素a模型对比

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

3.3 叶绿素a浓度反演

将所建立的模型应用于太湖2019年10月29日、2019年11月19日和2019年12月13日的珠海一号高光谱影像, 得到叶绿素a浓度的空间分布结果如图4所示。反演结果显示, 太湖叶绿素a浓度在10月份大部分湖区基本保持高浓度状态, 呈现出东高西低的分布状态。由于湖西沿岸区域受人类活动影响较小且水体含有的水生植物较少, 湖东区域水生藻类较多。因此反演结果与实际情况较为吻合。11月份和12月份由于气温的降低使得水中藻类生长缓慢且大部分藻类趋于老化甚至死亡。湖泊藻类受气温的影响叶绿素a浓度高值区域面积明显减少。11月与12月叶绿素浓度分布状况变化不大。总体上, 10月、11月和12月叶绿素a浓度的分布均呈现东高西低的状态。

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 讨论

通过前文反演结果可以看出, 江苏省太湖区域叶绿素浓度高值出现在东部湖区, 低值区域主要出现在西部湖区, 根据江苏省人民代表大会常务委员会在2010年修订的《江苏省太湖水污染防治条例》, 江苏省对太湖流域实行分级保护, 即太湖湖体、沿湖岸五公里区域、入湖河道上溯十公里以及沿岸两侧各一公里范围为一级保护区; 主要入湖河道上溯10—50公里以及沿岸两侧各一公里范围为二级保护区; 其他地区为三级保护区。湖泊水体的污染主要由于人类活动的影响和外源污染物质的输入所导致, 因此湖泊水体的污染状况和防治措施应得到重视。本文的叶绿素分布图与朱云芳等人[19]采用神经网络得到的反演结果相一致, 在梅梁湾、竺山湾和湖心区北部区域叶绿素浓度较高。因此本文对江苏省太湖水体叶绿素浓度的反演分析具有一定的科学性和合理性, 进一步验证了WCI模型应用于太湖的适用性。

江苏省太湖区域是我国最大的淡水湖之一, 对太湖进行污染防治是生态文明建设的标志性工程。太湖水体属于典型的内陆Ⅱ类水体, 包含除叶绿素浓度外多种影响湖泊水体的其他物质, 如悬浮颗粒物、黄色物质等。受自然环境的改变、人类围湖造田以及破坏性的渔业活动使得太湖鱼类资源减少。因此, 经济发展与生态保护并行发展是十分必要的, 在湖泊叶绿素浓度高值区域应减少污染物排放, 从而降低水体的营养物质输入, 可有效避免蓝藻水华的大面积爆发。叶绿素浓度低值区域, 应结合生态环境优势, 合理利用湖泊水资源, 保障生态系统的良好运作, 才能最大程度实现绿水青山就是金山银山。

本文采用珠海一号高光谱影像反演内陆湖泊水体的叶绿素a浓度从而监测湖泊水体的富营养化状况。与文献[20]和[21]重点分析可见光波段原始反射率和微分值与叶绿素浓度的关系有所不同, 本文采用对水体有增温效果的中红外波段参与建立反演模型并验证了模型的合理性和适用性, 为湖泊水体的大面积实时监测、探究叶绿素浓度空间分布格局、制定生态系统服务保护措施提供了参考, 为实现湖泊生态环境保护和可持续发展提供了一定的科学依据。但是同时也存在一些不足之处, 珠海一号数据水色遥感波段的光谱响应机理认识还不够深刻, 需进一步探索相关光谱响应特征, 如峰谷间距、峰谷位置、峰高等。研究这些特征与内陆湖泊水体的关系, 从而使模型更好地解释水中各个组分的光学机理。

5 结论

通过主成分分析实现波段降维, 筛选得出珠海一号高光谱影像与叶绿素浓度强相关且包含主要信息的3个波段成分, 分别是光合作用成分、细胞散射成分和水体增温成分。其中, 光合作用成分主要是可见光波段, 水体增温成分与中红外波段有紧密关系。经研究得出, 建立耦合可见光与中红外波段的WCI反演模型可有效实现湖泊水体叶绿素浓度的反演, 反演结果满足湖泊叶绿素a浓度监测的需求。将所建立叶绿素浓度反演模型用于不同时间的影像均得到较好的结果, 因此本文研究所建模型的时空稳定性较好。与此同时, 本文研究的内容与方法对于其他湖泊水体反演叶绿素a浓度同样适用。

[1] 徐祎凡, 李云梅, 王桥, 等. 基于环境一号卫星多光谱影像数据的三湖一库富营养化状态评价[J]. 环境科学学报, 2011, 31(1): 81–93.

[2] 吴廷宽, 贺中华, 梁虹, 等. 贵州百花湖叶绿素a高光谱监测模型研究[J]. 人民长江, 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] 韦安娜, 田礼乔, 陈晓玲, 等. 基于穷举法的鄱阳湖叶绿素a浓度高光谱反演模型与应用研究——以GF-5卫星AHSI数据为例[J]. 华中师范大学学报(自然科学版), 2020, 191(3): 119–125.

[6] 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.

[7] 孙小涵, 胡连波, 冯永亮, 等. 基于HJ-1卫星数据的荣成湾叶绿素a浓度时空变化特征分析[J]. 海洋湖沼通报, 2018(5): 72-79.

[8] 郭宇龙, 李云梅, 王桥, 等. 一种新的水体叶绿素a指数及其应用潜力分析[J]. 光学学报, 2015, 35(11): 18–30.

[9] 黄启会, 贺中华, 梁虹, 等. 基于高光谱数据的百花湖叶绿素a浓度估算[J]. 环境科学与技术, 2019, 42(1): 134– 141.

[10] 宋挺, 周文鳞, 刘军志, 等. 利用高光谱反演模型评估太湖水体叶绿素a浓度分布[J]. 环境科学学报, 2017, 37(3): 888–899.

[11] 杨煜, 李云梅, 王桥, 等. 基于环境一号卫星高光谱遥感数据的巢湖水体叶绿素a浓度反演[J]. 湖泊科学, 2010(4): 33–41.

[12] 杜聪, 王世新, 周艺, 等. 利用Hyperion高光谱数据的三波段法反演太湖叶绿素a浓度[J]. 环境科学, 2009, 30(10): 2904–2910.

[13] 林剑远, 张长兴. 航空高光谱遥感反演城市河网水质参数[J]. 遥感信息, 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.

[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] 刘大召, 唐世林, 付东洋. 珠江口水体叶绿素a浓度高光谱反演研究[J]. 广东海洋大学学报, 2008, 28(1): 49–52.

[18] 蒋城飞, 廖珊, 付东洋, 等. 湛江港海域叶绿素a浓度的高光谱遥感反演[J]. 广东海洋大学学报, 2016, 36(6): 107–113.

[19] 朱云芳, 朱利, 李家国, 等. 基于GF-1 WFV影像和BP神经网络的太湖叶绿素a反演[J]. 环境科学学报, 2017, 37(1): 130–137.

[20] 邓实权, 田礼乔, 李建, 等. 面向GF-5卫星高光谱传感器的浑浊水体叶绿素a浓度反演算法研究一以鄱阳湖为例[J]. 华中师范大学学报(自然科学版), 2018, 179(3): 123–129.

[21] 孙昊, 周林飞. 石佛寺水库叶绿素a浓度高光谱遥感反演[J]. 节水灌溉, 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

樊志强, 王志国, 黄平平, 等. 基于高光谱影像湖泊叶绿素a浓度反演分析[J]. 生态科学, 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

国家自然科学基金项目(61631011); 内蒙古自治区直属高校基本科研项目(JY20220209); 内蒙古自治区科技计划项目(2019GG138)

樊志强(1995—), 男, 乌兰察布人, 硕士, 主要从事高光谱影像定量反演研究, E-mail: fanzhiqiang_95@163.com

王志国, 男, 博士, 讲师, 主要从事环境信息化监测技术研究, E-mail:jdywzg@163.com