引用本文
刘振宇, 崔廷伟, 张胜花, 赵文静. 黄河口海域悬浮物浓度Landsat8 OLI分段线性反演. 光谱学与光谱分析, 2018,38(8): 2536-2541
LIU Zhen-yu, CUI Ting-wei, ZHANG Sheng-hua, ZHAO Wen-jing. Piecewise Linear Retrieval Suspended Particulate Matter for the Yellow River Estuary Based on Landsat8 OLI. Spectroscopy and Spectral Analysis, 2018,38(8): 2536-2541.  
Doi: 10.3964/j.issn.1000-0593(2018)08-2536-06
Permissions
Copyright©2018, 光谱学与光谱分析
光谱学与光谱分析 所有
黄河口海域悬浮物浓度Landsat8 OLI分段线性反演
刘振宇1,3, 崔廷伟2, 张胜花1, 赵文静4
1. 中南民族大学资源与环境学院, 湖北 武汉 430074
2. 国家海洋局第一海洋研究所, 山东 青岛 266061
3. 中南民族大学人地关系研究中心, 湖北 武汉 430074
4. 环保部华南环境科学研究所, 广东 广州 510655

作者简介: 刘振宇, 1983年生, 中南民族大学资源与环境学院讲师 e-mail: sdlylzy@whu.edu.cn

收稿日期: 2017-08-25 接受日期: 2017-12-30
基金项目: 国家自然科学基金项目(41506202), 湖北省自然科学基金项目(2015CFC874), 广东省自然科学基金项目(2014A030310287), 中韩海洋科学共同研究中心项目(PI-2017-3)资助
摘要

黄河每年输送大量泥沙进入渤海。 研究黄河口海域悬浮物浓度, 对于黄河输沙以及周边海域的环境监测具有重要意义。 利用2011年夏、 冬两季实测遥感反射率以及同步测量悬浮物浓度数据, 开展了黄河口海域悬浮物浓度分段线性反演研究。 结果表明, 不同浓度范围下, 悬浮物浓度反演的敏感波段不同; 浓度小于等于50 mg·L-1(≤50 mg·L-1), 敏感比值波段为(600~700 nm)/(400~600 nm), 浓度高于50 mg·L-1(>50 mg·L-1), 敏感比值波段为(750~900 nm)/(420~720 nm), Landsat8 OLI的对应组合方式分别为B4/B2和B5/B3; 根据上述浓度分段范围分别建立线性模型, 其精度 R2, RMSE和APD分别为0.873 5, 4.08 mg·L-1和22.81%(≤50 mg·L-1), 以及0.969 3, 102.96 mg·L-1和17.51%(>50 mg·L-1), 整个浓度下三个精度参数分别为0.975 3, 67.03 mg·L-1和20.45%, 均优于常用单一模型在分段和整体浓度下的相应参数, 且具有良好的稳定性。 分段线性模型, 更适合浓度变化大的黄河口海域悬浮物浓度反演。

关键词: 黄河口; 悬浮物浓度; Landsat8 OLI; 分段线性
中图分类号:X87 文献标识码:A
Piecewise Linear Retrieval Suspended Particulate Matter for the Yellow River Estuary Based on Landsat8 OLI
LIU Zhen-yu1,3, CUI Ting-wei2, ZHANG Sheng-hua1, ZHAO Wen-jing4
1. College of Resource and Environment Science, South-Central University for Nationalities, Wuhan 430074, China
2. The First Institute of Oceangraphy, State Oceanic Administration, Qingdao 266061, China
3. Research Center of Human-Environment Relations, South-Central University for Nationalities, Wuhan 430074, China
4. South China Institute of Environmental Sciences. MEP, Guanzhou 510655, China
Abstract

Much sediment is transported into Bohai by Yellow River every year. Therefore the study on suspended matter concentration(SPM) in Yellow River estuary is significant to the environmental monitoring and sediment transport of surrounding ocean. The piecewise linear retrieval model was proposed based on the remote sensing reflectance and suspended matter concentration synchronous sampled in summer and winter in 2011. The results showed: the sensitive bands combination for suspended matter concentration inversion was different under different concentration ranges, (600~700 nm) /(400~600 nm) and (750~900 nm)/(420~720 nm) respectively to the concentration range below and above 50 mg·L-1, and the corresponding bands for Landsat 8 OLI were B4/B2 and B5/B3 respectively. The R2, RMSE and APD of the Piecewise model were 0.873 5, 4.08 mg·L-1 and 22.81%(SPM≤50 mg·L-1), 0.969 3, 102.96 mg·L-1, and 17.51%(SPM>50 mg·L-1) respectively, and 0.975 3, 67.03 mg·L-1and 20.45% for the overall concentration, which were better than parameters of common single model under entire concentration range. In summary, the piecewise linear retrieval model is more suitable for suspended matter concentration inversion of the Yellow River estuary with large variation of concentration.

Key words: Yellow River Estuary; Suspended particulate matter; Landsat8 OLI; Piecewise linear retrieval model
引言

黄河, 世界上含沙量最大河流之一, 每年平均输送5.74× 1010 m3的淡水和1.64× 109 吨的沉积物进入渤海, 分别占渤海总输入量的50-60%和90%以上[1, 2]。 悬浮物(suspended particulate matter, SPM)作为黄河的主要输送组分, 直接影响水体中光传播, 进而影响水生生物的生长和水体初级生产力。 因而, 黄河口海域悬浮物浓度研究, 对该海域生态环境监测具有重要意义。

悬浮物浓度反演已有了大量经验和半分析算法, 其中涉及黄河口海域的研究主要采用经验算法, 即建立单波段或多波段光谱与现场同步测量的悬浮物浓度之间的经验关系, 敏感波段的选取通常是研究重点。 Qiu利用2004年— 2011年期间5个航次同步观测的遥感反射率和悬浮物浓度数据, 给出黄河口海域悬浮物浓度反演的敏感波段。 分别针对MODIS, MERIS和GOCI等水色传感器发展了波段比值经验算法, 并开展了验证、 分析工作[3]。 随后Qiu将研究成果扩展至Landsat8 OLI(以下简称OLI)传感器, 建立了浓度反演经验模型, 计算得到多年悬浮物浓度数据, 并重点分析悬浮物时空分布、 变化特征[1]。 Zhang等利用2004年— 2011年期间3个航次采集的遥感反射率和悬浮物浓度数据, 针对TM/ETM+传感器建立了悬浮物反演模型, 并着重分析2000年— 2010年黄河口悬浮物浓度分布变化特征[4]。

上述研究都是在整个浓度范围内建立单一模型。 然而近岸、 河口区域, 悬浮物浓度反演的敏感波段并不稳定, 主要有红和近红波段, 以及红/绿, 近红外/红, 近红外/蓝等波段比值[5, 6]。 这可能与悬浮物地域光谱散射特征、 以及传感器的波段设置、 光谱响应函数等因素有关。 此外, 敏感波段也可能受悬浮物浓度影响, 黄河口悬浮物浓度变化范围大, 涵盖清澈到极浑浊水体, 那么不同浓度下的分段模型可能更适合黄河口海域悬浮物浓度反演。 因此, 我们利用2011年黄河口同步观测的遥感反射率和悬浮物浓度, 通过定性、 定量分析遥感反射率与悬浮物浓度之间的关系, 确定不同浓度下的敏感波段, 并针对OLI传感器建立悬浮物浓度反演模型, 以研究黄河口悬浮物浓度的空间分布特征。

1 实验部分
1.1 数据

研究区域为黄河口及其周边海域, 2011年夏季(丰水期)和冬季(枯水期)同步采集89组遥感反射率和悬浮物浓度数据, 航次站点见图1, 其中红点为冬季航次, 绿点为夏季航次, 部分站点采用定点观测得到多组数据。 剔除3组明显错误数据, 剩余86组数据用于悬浮物浓度的建模和验证分析。

图1 2011年冬季采样站位图Fig.1 Sampling site map in 2011 winter

水色研究中常采集水体的遥感反射率Rrs(单位sr-1)

Rrs=Lw0+Ed0+（1）

式(1)中, Lw0+为水面上离水辐亮度, Ed0+为水面上下行辐照度。 Rrs的详细测量规范可参考文献[7, 8]。 悬浮物浓度(单位: mg· L-1)测量方法不是本研究内容, 这里不论述。

Landsat8 OLI数据由USGS网站下载(http://glovis.usgs.gov/)。 相比之前Landsat系列传感器, OLI主要有三方面改进: 增设了一个蓝光波段(433~453 nm), 量化级别提升到无符号16 bit, 波段信噪比有较大提高, 因而OLI在水体光学研究中得到广泛关注[9, 10]。 OLI数据的大气校正由ACOTER完成, Qiu[1]利用大气校正后MODIS数据, 验证该算法对OLI数据的校正结果。

1.2 方法

常用黄河口海域悬浮物浓度反演算法如下[3, 4]

log(SPM)=aX+b(2)

log(SPM)=aXb(3)

log(SPM)=aX2+bX+c(4)

其中X表示单波段的遥感反射率, 或两个波段遥感反射率的比值。 OLI传感器的遥感反射率可由实测遥感反射率根据式(5)计算

RrsK=∫ΔKRrs(λ)σ(λ)dλ∫ΔKσ(λ)dλ(5)

其中Δ K是波段宽度, λ 为波长, σ 是波段响应值, 介于0和1之间。

根据上述理论, 研究流程总结如下: 通过定性分析遥感反射率随悬浮物浓度的变化趋势, 总结不同波段遥感反射率对悬浮物的响应特征; 然后利用黄河口常用反演算法[式(3)— 式(4)], 评估算法精度以确定敏感波段, 并分析敏感波段遥感反射率与悬浮物之间的关联, 从而确定悬浮物的分段浓度范围; 此后针对OLI传感器, 建立分段反演模型, 并验证模型, 比对整个浓度下的单一反演模型, 进一步分析模型; 最后将模型应用到大气校正后的OLI数据。 算法、 模型精度评估和验证主要采用决定系数R2, 也就是相关系数平方, 均方根误差RMSE和平均相对误差APD

RMSE=∑l=1N(sl-s˙l)N-1(6)

APD=1N∑l=1N|sl-s˙l|/sl(7)

2 结果与讨论
2.1 光谱分析

86组实测遥感反射率以及研究中使用的OLI传感器前5个波段范围见图2。 曲线主要有两个峰, 第一个峰出现在560~700 nm, 第二个波峰位于815 nm附近, 根据这两个峰可以将曲线分成三块区域。 400~560 nm范围内, 反射率随波长增长而增大, 随浓度升高而增大, 但是相比其他波段, 反射率变化较小, 因而该波段可能难以较好地表征悬浮物浓度变化; 560~700 nm范围内, 反射率出现峰值, 该峰值不仅随浓度升高而增大, 而且出现“ 红移” , 导致峰值覆盖波长范围较宽; 700 nm后的反射率首先随波长增长而降低, 这是水体吸收导致; 740 nm附近出现谷底, 随后多数曲线反射率升高, 并在810 nm出现第二峰, 该峰值随浓度升高显著增大, 甚至与第一峰齐平, 因而能较好地表征悬浮物浓度的变化, 但是低浓度曲线无明显第二峰。 遥感反射率的上述变化特征, 与文献[1, 3, 4]中观测结果基本一致。

图2 实测86组遥感反射率RrsFig.2 86 measured remote sensing reflectance Rrs

遥感反射率随浓度的变化特征, 也与图3(a)中R2变化基本一致。 750 nm以后的近红外波段是悬浮物浓度反演的敏感波段, 如图2所示, 该范围内反射率随浓度增大显著升高, 但是低浓度水体的遥感反射率在该波段的值较小, 这在悬浮物浓度与Rrs(814)的散点图[图3(b)]中也可以看出, 高浓度值的遥感反射率随浓度同步变化, 但是与低浓度值的遥感反射率值变化趋势不一致, 导致整个散点图呈现较复杂型态, 无法用一次线性、 二次函数或幂函数等这些黄河口常用模型拟合其变化趋势。

针对上述难题, 采用浓度分段方式, 分别建立不同浓度范围的悬浮物浓度反演模型。 浓度分段选择主要有两个依据: 首先要依据遥感反射率随浓度的变化特征, 其次确保不同浓度范围有足够数量的样本用于建模和验证分析。 根据上述原则, 通过多次试验, 分段阈值确定为50 mg· L-1。

图3 二次函数和幂函数形式下的相关系数(a), Rrs(814)与浓度的散点图(b)Fig.3 R2 of quadratic function and power function (a), scatter plot between Rrs(814) and concentration (b)

86个站点的悬浮物浓度, 平均值为(173.63± 385.41) mg· L-1, 表明黄河口悬浮物浓度较高, 可归类为浑浊水体。 最小值为4.48 mg· L-1, 最大值为2 301 mg· L-1, 浓度变化范围较大, 涵盖了清澈到浑浊水体。 按照浓度阈值50 mg· L-1分段, 小于等于50 mg· L-1共计50组, 其中35组用于建模, 15组用于模型验证分析; 大于50 mg· L-1共计36组, 其中24组建模, 12组模型验证。 整个浓度范围内共计27组数据用于模型验证。 在模型验证工作中, 将分别给出浓度分段和整个浓度范围的验证结果。

2.2 敏感波段分析

相比单波段算法, 波段比值可消除颗粒物粒径、 光照条件对悬浮物浓度反演影响[11]。 因而主要考虑波段比值模型。 不同浓度范围, 一元线性、 二次和幂函数等三种波段比值算法[式(2)— 式(4)]的精度评估见图4。 由于R2, RMSE, APD三个参数变化趋势一致, 因而只给出APD结果。 其中横坐标为遥感反射率比值中分母的波段, 纵坐标为分子对应波段, (a), (b)和(c)分别为0~50 mg· L-1范围下线性, 二次和幂函数模型APD, (g), (h)和(i)分别为50~2 301 mg· L-1三种模型的APD, (d), (e)和(f)分别为0~2 301 mg· L-1三种模型APD。 由图可知, 不同浓度范围下, 敏感波段并不一致, 0~50 mg· L-1为(600~700 nm)/(400~600 nm), 对应OLI传感器波段4与波段1、 2或3的比值, 50~2 301 mg· L-1为(750~900 nm)/(420~720 nm)对应博段5与波段1, 2, 3或4的比值, 0~2 301 mg· L-1为(740~820 nm)/(420~600 nm), 对应波段5与波段1, 2或3比值; 浓度分段条件下, 线性模型[图4(a)和(d)]与二次函数[图4(b)和(e)]、 幂函数模型[图4(c)和(f)]的精度基本一致; 全浓度范围内, 后两种模型的精度更高。

2.3 分段线性模型

上述分析不仅给出了不同悬浮物浓度反演的敏感比值波段, 而且表明分段条件下, 线性函数模型可用于悬浮物浓度反演, 那么针对OLI传感器的分段线性模型如下

log(SPM)=0.4505B4B2+0.8503SPM≤50mg·L-11.5208B5B3+1.6644SPM> 50mg·L-1

其中B4/B2表示波段4和波段2遥感反射率比值。 2.2节中提到: SPM≤ 50 mg· L-1时, 红光波段(B4)与蓝绿波段(B1, B2或B3)比值, 近红外(B5)与可见光(B1, B2, B3或B4)比值, 都是反演悬浮物浓度的敏感比值波段, 其模型R2结果见表1。 分段模型最终选用的比值波段, 精度参数均优于其他敏感比值波段, 这里不再详细列出。 需要强调的是, 受限于数据采集条件、 样本数据选择等因素制约, 不同研究可能采用不同的敏感比值波段, 但都应在敏感比值波段范围内。

表1 不同浓度范围的分段线性模型精度R2 Table 1 Piecewise linear model accuracy (R2) for different concentration ranges

模型精度及结果验证见图5, log(SPM)与遥感反射率比值呈现良好线性关系, 进一步证实浓度分段下不需采用二次函数或幂函数模型。 当SPM≤ 50 mg· L-1时, 图5(a)中两个数据与其他数据偏差较大, 建模时剔除这两各点。 模型验证结果见图5(b), R2, RMSE和APD分别为0.8735, 4.08 mg· L-1和22.81%。 SPM> 50 mg· L-1时模型精度和验证见图5(c)和(d), 由于整体浓度较大, 验证RMSE为102.96 mg· L-1。 综合上述结果, 27组验证数据的总体精度分别为0.975 3, 67.03 mg· L-1和20.45%。 此外由于高浓度(SPM> 500 mg· L-1)的样本数据相对较少, 导致可用验证数据较少, 因而验证结果[图5(d)]有一段空白, 但结合图5(c)和(d), SPM> 1 000 mg· L-1共有四个数据点(见方框内), 都与模型符合较好, 因而SPM> 500 mg· L-1, 模型仍然可信。

2.4 模型比对分析

如果采用单一模型, 针对OLI传感器, 选用敏感比值波段为B5/B3, 利用二次函数建立黄河口悬浮物浓度模型, 其结果和验证见图6, 图6(a)中曲线与散点的拟合并不好, 尤其在浓度较低时, 二者差别较大, 图6(b)是27组实测数据的验证结果, 其R2, RMSE和APD分别为0.926 7, 123.05 mg· L-1和32.51%, 低于分段线性总体精度: 0.975 3, 67.03 mg· L-1和20.45%。 为进一步比对模型, 图6(c)中给出SPM≤ 50 mg· L-1时15组数据的验证结果, 模型预测值与实测数据符合较差, 对比图5(b), 分段线性的模型精度较高; 同理, SPM> 50 mg· L-1时12组数据验证结果比对[图5(d)与图6(d)]也得出相同结论。 因此, 低浓度、 高浓度以及整体浓度下模型验证结果都表明, 单一模型的精度均低于分段线性模型。

图4 不同浓度范围下三种波段比值模型的APD结果
(a), (b)和(c)分别为0~50 mg· L-1时线性、 幂和二次函数模型的APD; (d), (e)和(f)分别为50~2 301 mg· L-1的APD; (g), (h)和(i)分别为0~2 301 mg· L-1下的APDFig.4 APD of three kinds of band ratio models under different concentration ranges
(a), (b), (c) are the APD of linear, power and quadratic function model with SPM≤ 50 mg· L-1; (d), (e), (f) SPM in the range 50~2 301 mg· L-1; (g), (h), (i) SPM in the rnage 0~2 301 mg· L-1

图5 分段模型及验证
(a), (b)分别为50 mg· L-1的模型及验证; (c), (d)分别为> 50 mg· L-1模型及验证Fig.5 Retrieval model and validation
(a), (b): SPM≤ 50 mg· L-1; (c), (d): SPM> 50 mg· L-1

图6 整个浓度范围内单一模型精度及验证
(a), (b)分别为二次函数模型, 模型验证; (c), (d)分别为SPM≤ 50 mg· L-1和SPM> 50 mg· L-1验证结果Fig.6 Single model of entire concentration range and validation
(a), (b) are quadratic function model and validation respectively; (c), (d) are validation for SPM≤ 50 mg· L-1 and SPM> 50 mg· L-1 respectively

图7 2017年2月2日黄河口海域悬浮物浓度分布示意图Fig.7 The SPM distribution map of the Yellow River estuary on Feb 2, 2017

单一模型精度较低, 是因为黄河口悬浮物浓度跨度大, 常用函数模型无法较好地拟合浓度与反射率之间的关系, 一种解决方案是采用更高阶数的拟合函数(例如3次, 4次函数)以提高单一模型精度, 但是这种方法并不可取, 因为对模型精度提升有限, 但是对误差却会有较大地提高, 导致模型过于敏感。 相比较之下, 线性模型对误差是简单地线性响应, 因而分段线性模型是更好地选择。

2.5 黄河口悬浮物浓度的空间分布特征

根据分段线性模型, 利用OLI数据计算得到2017年2月2日黄河口海域悬浮物浓度分布(见图7)。 由于黄河输沙影响, 黄河口附近海域的悬浮物浓度较高, 外海的浓度逐渐降低; 在风和洋流的作用下, 悬浮物向南输送至莱州湾, 影响莱州湾近岸区域, 表明黄河输沙会影响莱州湾的悬浮物浓度, 这与Qiu[1]给出的结论基本一致。

3 结 论

利用2011年夏冬两季黄河口同步观测的遥感反射率和悬浮物浓度数据, 发展了一种针对OLI传感器的分段线性模型。 研究发现, 不同浓度范围下, 悬浮物反演的敏感波段并不一致, 分别是(600~700 nm)/(400~600 nm)(SPM≤ 50 mg· L-1), (750~900 nm)/(420~720 nm) (SPM> 50 mg· L-1), 这是因为遥感反射率有两个特征峰, 分别位于红和近红外波段, 都能表征悬浮物浓度变化, 然而当浓度较高时, 近红外波段的峰值才较为显著, 因而近红外更能体现高浓度悬浮物变化特征。

划分悬浮物浓度范围后, 线性模型可较好地用于OLI数据的悬浮物浓度建模, 其敏感波段与前文中提到的敏感波段范围一致。 相比于整个浓度下的单一模型, 分段线性模型的精度高且敏感性好, 因而更加适合黄河口悬浮物浓度反演。

本研究也存在不足: 首先分段阈值50 mg· L-1是根据悬浮物浓度随遥感反射率的变化特征、 以及确保不同浓度范围内有足够的样本数据用于建立模型和验证所设定, 尽管随后建立的模型也具备较高精度, 但是缺乏悬浮物散射机理上的依据; 其次上文较清晰地阐述了红和近红外成为浓度敏感波段的原因, 但是针对OLI数据, 近红外/可见光(SPM> 50 mg· L-1)都是敏感波段, 文中无法给出散射机理上的合理解释, 有待进一步研究。

The authors have declared that no competing interests exist.

参考文献
[1] Qiu Z, Xiao C, Perrie W, et al. Journal of Geophysical Research Oceans, 2017, 122(1): 276. [本文引用:5]
[2] Fan H, Huang H. Marine Environmental Research, 2008, 65(5): 378. [本文引用:1]
[3] Qiu Z. Optics Express, 2013, 21(23): 27891. [本文引用:3]
[4] Zhang M, Dong Q, Cui T, et al. Remote Sensing of Environment, 2014, 146(4): 136. [本文引用:3]
[5] Cai L N, Tang D L, Li C Y. Advances in Space Research, 2015, 56(2): 293. [本文引用:1]
[6] Wang F, Zhou B, Liu X, et al. Environmental Earth Sciences, 2012, 67(6): 1669. [本文引用:1]
[7] Hao Y, Cui T, Singh V, et al. Remote Sensing, 2018, 10(4): 542. [本文引用:1]
[8] TANG Jun-wu, TIAN Guo-liang, WANG Xiao-yong, et al(唐军武, 田国良, 汪小勇, 等). Journal of Rmote Sensing(遥感学报), 2004, 8(1): 37. [本文引用:1]
[9] Franz B A, Bailey S W, Kuring N, et al. Journal of Applied Remote Sensing, 2015, 9(1): 096070. [本文引用:1]
[10] Zheng Z, Ren J, Li Y, et al. Science of the Total Environment, 2016, 573(8): 39. [本文引用:1]
[11] Doxaran D, Froidefond J M, Castaing P. Applied Optics, 2003, 42(15): 2623. [本文引用:1]