2020年7到8月, 在秦皇岛海域119.35° -119.88° E, 39.67° -39.98° N范围内展开了两次、 累计6天的原位测量实验。 沿海岸线设计了8个断面, 40个站位。 调查站位分布如图3所示。 其中, 7月份原位测量站位为1-1到5-3, 共获得23组数据; 8月实验站位为40个。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 原位测量站位Fig.3 In situ measurement stations

利用OCT-multipara-07多参数水质仪对图3所示站位水体剖面的叶绿素浓度进行了测量。 为了保证测量数据的准确性, 7月航次中, 在3-4, 3-5, 4-4和4-5站位分别采集了表、 中、 底层水样, 经低温保存后移至实验室测得了叶绿素浓度, 并对多参数水质仪的数据进行了数据标定。 标定过程如下:

首先, 依据NASA海洋调查规范, 将采集的水样在实验室用孔径0.2 μ m的水系滤膜进行抽滤、 萃取后用分光光度计测量吸光度并计算叶绿素浓度;

其次, 利用线性拟合的方法^[7]及水样化学分析实测数值对多参数水质仪的叶绿素浓度进行标定。

受测量环境及仪器精度影响, 多参数水质仪的测量值约为水样化学分析实测值的2倍。 标定后, 多参数水质仪的标定值与实验室实测值之间的关系如图4所示。 显著性水平0.01时, 两者之间的相关系数(related coefficient, R)为0.966 8, 标定值的均方根误差(root mean square error, RMSE)为0.082 9 mg· m^-3, 平均相对误差(mean relative error, MRE)为4.26%。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 叶绿素浓度标定Fig.4 Calibration of chlorophyll concentration

利用荷兰AVANTES公司的AvaField-1地物光谱仪(300~1 100 nm)对实验海域的海水辐照度反射率进行了测量。 测量过程严格依据GB12763.1~7-1991《海洋调查规范》、 GB17378-2007《海洋监测规范》和《海洋光学调查技术规程》进行。

海水水体表面的辐照度比, 也称海表辐照度反射率为^[8]

r(λ, 0+)=Eu(λ, 0+)Ed(λ, 0+)=Lu(λ, 0+)Ld(λ, 0+)(1)

式(1)中, Eu(λ, 0+)为光在海表面的上行辐照度, Ed(λ, 0+)为光在海表面的总入射辐照度, 而Lu(λ, 0+)和Ld(λ, 0+)分别是光在海表面上行与入射的辐亮度。 只考虑海面以上, 式(1)可简写为

r(λ)=Eu(λ)Ed(λ)=Lu(λ)Ld(λ)(2)

将海面入射光分为太阳光和天空散射光两部分, 水面以上的上行辐亮度为

Lu(λ)=Lw(λ)+ρLsky(λ)+Δ(3)

式(3)中, L_w(λ )是离水辐亮度, 产生于太阳光与海水相互作用时的后向散射, 包含了水色要素的光学信息; ρ L_sky(λ )是天空散射光在海面反射回光谱仪的天空光辐亮度, ρ 是水气界面的菲涅尔反射率; Δ 是耀斑、 白帽等外界干扰, 处理中用数据多次平均可使其忽略不计。

因此, 忽略外界干扰的船载光谱仪接收到的离水辐照度反射率为

rst(λ)=Lw(λ)Ld(λ)=Lu(λ)Ld(λ)-ρLsky(λ)Ld(λ)=r(λ)-ρrsky(λ)(4)

式(4)中, r(λ )是海水的总辐照度反射率, r_sky(λ )是天空散射光的辐照度反射率。 考虑观测几何(40° , 135° )、 晴天、 平均风速(< 5 m· s^-1)等因素, ρ 取0.028^[8]; r(λ )依据海洋光学调查规范中的观测几何进行测量, 测量时避开了船的阴影, 并在同一位置进行了20次重复测量以降低外界信号干扰; r_sky(λ )采用遮蔽太阳直射光的方法测量。 将标定后的标准白板放在船上空旷处, 架高水平放置, 避开周边环境的反射、 散射光, 遮住白板上方的太阳光, 重复测量白板反射光20次并取平均值。

1.4.1 高光谱数据特征及其规范化处理

依据式(4), 得到离水辐照度反射率共计63组。 实测离水辐照度反射率如图5所示, 最大反射峰出现在570 nm, 是典型的二类水体反射光谱。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 实测离水辐照度反射率光谱Fig.5 Measured water-leaving reflectance spectra

与叶绿素相对应的波段特征^{[2, 3, 4]}, 主要有在440和670 nm处出现的反射谷及570和700 nm处出现的反射峰。 一类水体中, 叶绿素浓度与离水辐照度反射率在上述几个特征波段的光谱强度显著相关。 但二类水体中含量较高的CDOM和NAP、 较浅的水深使得水体光学特性极其复杂, 实测的叶绿素浓度与光谱强度及其比值均不具有相关性。

为了比较光谱特征, 将离水辐照度反射率进行了规范化处理。 即先将实测数值减去300 nm处的反射率值后, 再将光谱进行归一化。 规范化的离水辐照度反射率如图6所示。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 规范化的离水辐照度反射率光谱Fig.6 Normalized water-leaving reflectance spectra

由图6可知, 实测数据的叶绿素特征波段的中心波长及宽度基本相同, 一致性较好。 将特征波段划分为反射谷波段B435(421~458 nm)和B664(646~679 nm)、 反射峰波段B573(526~609 nm)和B706(695~713 nm)。

1.4.2 基于绝对高度的反演模型构建机理

OCx(x=26)算法利用遥感反射率的强度, 即绝对高度进行反演, 叶绿素浓度反演值c_CHL为

cCHL=10x(5)

其中

x=∑i=03aiXOCxi(6)

式(6)中, a_i为拟合系数, 不同卫星采用不同的拟合系数。

当

XOC6=logmax⁡maxRrsλ1, Rrsλ2, Rrsλ3, Rrsλ4meanRλ5, Rλ6(7)

时, 为OC6算法。 其中,

Rrs(λ)=Lw(λ)Ed(λ)(8)

为遥感反射率。 将海面视为朗伯体时, 遥感反射率与辐照度反射率的关系为

Rrs(λ)=rst(λ)/π(9)

OCx算法选择不同的波段进行叶绿素浓度反演。 除OC6外, OC3~5算法均不采用λ ₆波段。 其中, OC4算法中

XOC4=logmax[Rrs(λ1), Rrs(λ2), Rrs(λ3)]R(λ5)(10)

而OC5算法则取

XOC5=logmax[Rrs(λ1), Rrs(λ2), Rrs(λ3), Rrs(λ4)]R(λ5)(11)

虽然不同卫星上传感器采用的波段不同, 但λ _1~4通常取自紫、 蓝、 蓝绿及绿波段, 典型值为412, 443, 490及510 nm; λ ₅和λ ₆通常取绿波段的555 nm及红波段的670 nm^[4]。

1.4.3 基于相对高度的反演模型构建机理

由图1及图2可知, 水色指数CI及荧光高度FHL均为A点到基线的垂直距离, 即线段AD的长度。 因此, 相对高度

dH=|AD|=HA-HC-HBλC-λB(λC-λA)+HC(12)

式(12)中, H_A, H_B, H_C及λ _A, λ _B和λ _C分别为A, B, C点的光谱强度值及波长。

1.4.4 基于相对反射深度的高光谱数据反演机理

海面之上的辐照度反射率与海水中的固有光学量之间的关系为^{[9, 10]}

rst(λ)=Q{g1u(λ)+g2[u(λ)]2}(13)

其中,

u(λ)=bb(λ)a(λ)+bb(λ)(14)

是水体中固有光学参量吸收系数a(λ )与后向散射系数b_b(λ )的函数。 式(14)中, b_b(λ )为水、 色素颗粒及NAP的后向反射系数之和; a(λ )为水、 CDOM、 色素颗粒及NAP的吸收系数之和; 辐照度转换因子Q是与光照条件、 体散射函数、 光场余弦、 海面特性有关的系数; g₁和g₂取经验常数。

由式(13)和式(14)可知, 辐照度反射率在每个波长上的强度值是水、 色素颗粒、 NAP、 CDOM等水色要素在该波长上的辐照度反射率之和。 一类水体中, NAP及CDOM浓度低, 叶绿素浓度与辐照度反射率相关系数高, 依据反射谱绝对高度构建的反演模型拥有较高的精度; 而二类水体中, 绝对高度易受其他水色要素影响, 反演算法精度低、 稳健性差。

分析各水色要素的光谱特征可知, 各要素特征波段位置、 谱线形状、 谱线宽度有较大的差异。 如, 纯水的反射峰在400~450 nm, 峰值高且宽度较窄; CDOM和NAP的反射峰在550~670 nm^[11], 是高度较低的宽峰; 而叶绿素存在443 nm反射谷、 683 nm荧光峰等钟形谱线。 这些先验知识, 为光谱信息的分解与提取提供了理论依据。

以紫、 蓝波段在400~460 nm内的光谱为例, 反射光谱主要由CDOM吸收、 叶绿素与水的吸收及后向散射产生。 受悬浮颗粒后向散射影响, 二类水体中, 此波段海水的反射光谱呈缓慢上升趋势^[12]; 而CDOM的吸收峰在410 nm附近, 随后呈指数衰减^[13]; 叶绿素则是在440 nm附近有吸收峰、 宽度约为70 nm左右。 因此, 如图6中B435所示, 反射光谱在此波段出现倾斜的凹陷, 而凹陷在435 nm处的深度值与叶绿素浓度之间具有较强的相关性。 此时, 若取435 nm处的相对深度代表叶绿素信息, 不但可以抑制海水及CDOM产生的干扰, 提高信噪比及反演精度; 同时, 当CDOM浓度发生变化时, 还可降低算法对光谱变化的敏感性, 使模型稳健性增强。 因此, 对于二类复杂水体, 构建基于相对高度的反演模型是能够直接提高反演精度的有力手段。

为此, 提出一种基于相对反射深度(relative reflection depth, RRD)的反演模型构建方法。 将相对反射深度定义为辐照度反射率在特征波段B435(421~458 nm)、 B664(646~679 nm)、 B573(526~609 nm)和B706(695~713 nm)中的相对高度。 其中, 反射谷波段的相对高度称为相对反射谷深度, 反射峰处的相对高度称为相对反射峰深度。 RRD的计算公式为式(12); 基线定义为特征波段左右两个端点的连接线。 据此, 得到相对反射谷深度RRD₄₃₅, RRD₆₆₄和相对反射峰深度RRD₅₇₃, RRD₇₀₆, 如图7所示。

图7

Fig.7

	Figure Option ViewDownloadNew Window
	图7 相对反射深度Fig.7 Relative reflection depths

将相对反射深度及其比值与实测叶绿素浓度值进行了相关性分析, 显著性水平0.01时, 叶绿素浓度对数值与RRD₇₀₆, RRD₄₃₅, RRD₅₇₃/RRD₆₆₄有较高的相关系数, 分别为0.456 9, 0.391 9和0.384 5, 可作为基于RRD构建反演模型的主要参量。

将标定后的叶绿素浓度在站位分布范围内进行了三维线性插值, 得到了7月和8月海面下的横剖面分布如图8(a)、 图9(a)所示、 垂向剖面分布如图8(b)、 图9(b)所示。

图8

Fig.8

	Figure Option ViewDownloadNew Window
	图8 7月叶绿素浓度分布 (a): 横剖面图; (b): 垂向剖面图Fig.8 Chlorophyll concentration distributions in July (a): Cross sections; (b): Vertical sections

图9

Fig.9

	Figure Option ViewDownloadNew Window
	图9 8月叶绿素浓度分布 (a): 横剖面图; (b): 垂向剖面图Fig.9 Chlorophyll concentration distributions in August (a): Cross sections; (b): Vertical sections

7月到8月间, 叶绿素浓度变化范围为0.191 55.347 mg· m^-3, 总平均值为2.036 mg· m^-3, 表面平均浓度分别为1.601和1.363 mg· m^-3, 与近年来年秦皇岛海域外海调查结果^[14]基本一致。 叶绿素浓度近岸高、 远海低, 在近岸河口处出现了河水径流造成的浓度扩散的特征; 在金山嘴东北方向的中下层, 出现了高浓度水体, 与该海域内风生流、 潮流及密度流等水动力环境的研究结果^[15]一致。

7月和8月份站位总数是63个, 剔除由船体晃动、 光线不足等外部环境造成的无效数据, 剩余叶绿素浓度与光谱数据57组。 利用其中38组数据进行基于相对反射深度的RRD模型构建, 并与OC4, OC5, OC6和FLH算法进行比较; 余下的19组数据用于验证。

RRD模型的叶绿素浓度反演值为c_CHL=10^x。 其中

x=-0.06324-2.5587lgRRD664RRD5732-3.3472lgRRD664RRD573+3.0588RRD435+6.9342RRD706(15)

反演值与实测值比较的结果如图10所示。 显著性水平0.01时, 两者之间的相关系数为0.883 58, 均方根误差为0.479 24 mg· m^-3, 平均相对误差为28.33%。

图10

Fig.10

	Figure Option ViewDownloadNew Window
	图10 叶绿素浓度高光谱数据反演结果Fig.10 Inversion results of chlorophyll concentration using hyperspectral data

利用式(9)将辐照度反射率转换为遥感反射率, 并分别选取412, 443, 490, 510, 555及670 nm为λ ₁λ ₆, 以其为中心值取± 5 nm波段范围内光谱均值后, 依式(10), 式(11)和式(7)分别进行了OC4, OC5和OC6算法反演; 同时取FLH=RRD₇₀₆/π 确定了基于FLH的反演算法。 各算法与RRD模型的反演结果如图11所示。

图11

Fig.11

	Figure Option ViewDownloadNew Window
	图11 叶绿素浓度反演算法比较Fig.11 Comparison of inversion algorithms for chlorophyll concentration

在置信水平0.05时, 各算法反演值与实测值的相关系数、 均方根误差及平均相对误差如表1所示。

表1

Table 1

表1(Table 1)

表1 反演算法比较 Table 1 Comparison of inversion algorithms 指标 R RMSE MRE/% RRD 0.883 58 0.479 24 28.33 OC4 0.154 8 1.053 6 81.36 OC5 0.301 9 1.018 6 77.89 OC6 0.158 6 1.052 6 77.46 FLH 0.513 1 0.893 5 55.55

表1 反演算法比较 Table 1 Comparison of inversion algorithms

由图11及表1可知, 秦皇岛海域中, OCx算法反演值与实测值相关系数较小, 均方根误差> 1、 平均相对误差约为77%~81%, 反演精度较低; FLH算法误差虽低于OCx算法, 但比RRD模型高出27%。

FLH算法及OCx算法在叶绿素浓度< 0.9 mg· m^-3时, 均出现高估现象, 说明模型在叶绿素浓度较低时易受高浓度CDOM的影响; 而在叶绿素浓度> 1.8 mg· m^-3时则出现了低估且数值基本恒定, 说明模型对叶绿素浓度变化不敏感, 处于失效状态。 二类水体中, 黄、 绿波段的遥感反射率高于蓝波段, 与一类水体的光谱有较大差异性, 同时水色要素混叠, 叶绿素信息的信噪比低, 导致依据光谱绝对高度的OCx算法误差较大甚至失效; 而当浓度较低时, 荧光效应不明显, FLH算法难以达到较高精度。 叶绿素反演算法比较的结果表明, RRD模型对于二类水体中水色要素分离、 提高叶绿素浓度信噪比的效果极为显著。

用剩余的19组数据对RRD反演模型式(15)进行了验证。 结果如图12所示。 显著性水平0.01时, 估算值与实测值之间的相关系数为0.582 97, 均方根误差为0.930 39 mg· m^-3, 平均相对误差为31.17%。 此结果符合国际上叶绿素浓度反演误差< 35%的模型构建标准, 进一步证明了RRD算法的可行性。 因此, 对于二类水体, 依据相对反射深度构建反演模型不但可以使叶绿素浓度的反演精度大幅提高, 也有望成为其他水色要素反演的重要手段, 对于复杂水体光学特性研究具有重要意义。

图12

Fig.12

	Figure Option ViewDownloadNew Window
	图12 高光谱相对反射深度反演模型验证Fig.12 Validation results of relative reflection depths inversion model for hyperspectral data

我国海洋卫星HY-1C/D采用上、 下午双星组网, 其上搭载的COCTS可获取西北太平洋, 即渤海、 黄海、 东海、 南海和日本海区域的海水光学特性、 叶绿素浓度、 悬浮泥沙含量、 CDOM、 海表温度等数据, 覆盖周期为0.5 d, 星下点地面像元分辨率≤ 1 100 m。 在我国国家海洋卫星应用中心7月20日-25、 8月30日-9月2日COCTS数据中, 共得到覆盖了调查海域的L2A及L2B产品各5组。 其中, L2A产品包括412, 443, 490, 520, 565, 670及750 nm的遥感反射率, L2B产品包含依据上述波段遥感反射率反演的叶绿素浓度值。

将L2B产品中的8月30日的叶绿素浓度在图3所示外海调查区域进行了线性插值, 叶绿素浓度分布如图13(a)所示, 同一天实测的表层叶绿素浓度分布则如图13(b)所示。 图13中红色点分别表示像元覆盖点及站位信息。 由图13可知, 卫星覆盖的像元点多且密集, 覆盖面积远大于船载测量, 充分体现了卫星遥感范围大、 实时快速、 成本低的特点。

图13

Fig.13

	Figure Option ViewDownloadNew Window
	图13 8月30日叶绿素浓度分布 (a): 卫星数据; (b): 实测数据Fig.13 Chlorophyll concentration distributions on 30 August (a): Satellite data; (b): Measured data

在7月和8月原位调查海域内, 像元点对应的卫星遥感反射率及插值后的叶绿素浓度数据共91组。 将各波段的遥感反射率及任意两波段的比值与叶绿素浓度进行了相关分析。 显著性水平为0.05时, 叶绿素浓度的对数值只与520 nm处的遥感反射率R₅₂₀及反射率比值R₄₄₃具有相关性, 相关系数分别为0.575 2和0.292 0。

与高光谱数据相比, 多光谱数据携带的叶绿素特征信息较少。 为了提高信噪比, 构建相对反射深度。 利用443, 412, 490 nm及520, 412, 750 nm依式(12)确定了相对反射深度RRD₄₄₃及RRD₅₂₀, 如图14所示。 其中RRD₄₄₃与叶绿素在443 nm处的特征反射谷相关, 而RRD₅₂₀则可通过长基线滤除线性及直流噪声。

图14

Fig.14

	Figure Option ViewDownloadNew Window
	图14 卫星遥感反射率的相对反射深度Fig.14 Relative reflection depths of satellite remote sensing reflectance

显著性水平为0.01时, RRD与叶绿素浓度对数值之间的相关系数较高的是RRD₅₂₀(0.513 5)及RRD₄₄₃/R₅₂₀(0.216 4)。 取91组数据中的62组数据, 用相关系数最高的参量R₅₂₀, RRD₅₂₀, R₄₄₃及RRD₄₄₃/R₅₂₀进行了反演模型构建。 叶绿素浓度为c_CHL=10^x, 而

x=-1.2636+46.8025R520-98.7679RRD520+2.9373R443+1.8426RRD443R520(16)

反演结果如图15所示。 显著性水平0.01时, 反演值与实测值的相关系数为0.703 4, 均方根误差为0.425 27 mg· m^-3, 平均相对误差为24.56%。

图15

Fig.15

	Figure Option ViewDownloadNew Window
	图15 叶绿素浓度的卫星数据反演Fig.15 Inversion results of chlorophyll concentration based on satellite data

利用剩余31组数据对反演模型进行了验证, 并与同期卫星遥感L2B产品中的叶绿素浓度进行了比较。 比较和验证的结果如图16所示。 显著性水平0.01时, 实测叶绿素浓度数值与模型反演数值之间的相关系数为0.674 49, 均方根误差为0.675 02 mg· m^-3, 平均相对误差为25.53%; 而L2B产品的叶绿素浓度值与实测值的之间的相关系数仅为0.046 5, 均方根误差为2.839 6 mg· m^-3, 平均相对误差高达78.97%。

图16

Fig.16

	Figure Option ViewDownloadNew Window
	图16 多光谱相对反射深度反演模型验证Fig.16 Validation results of relative reflection depths inversion model with multispectral data

依据RRD确定的反演模型, 使叶绿素浓度的平均相对误差降低了53.44%, 大幅提高了叶绿素浓度估算值的准确性。 对于近岸二类水体, 受红外波段离水反射率不为零影响, 大气校正时在每个波段都会引入线性噪声; 同时近岸海域复杂的气溶胶时空分布、 仪器噪声、 舍入误差、 白帽及耀斑剔除等因素也使遥感反射率的精度受到较大限制。 而相对反射深度对线性、 直流及斑点噪声都有较强的抑制作用^[5], 可提高光谱利用率及信噪比, 是一种极具应用价值的卫星遥感叶绿素反演算法。