巢湖( 31° 25'28″— 31° 43'28″N, 117° 16'54″— 117° 51'46″E)位于安徽省巢湖市, 是我国五大淡水湖之一, 处于长江中下游流域, 湖泊面积约为760 km², 东西长55 km, 沿湖共有河流35条, 其中较大的河流有杭埠河、 白石山河、 派河、 南淝河、 烔炀河、 柘皋河、 兆河等, 巢湖具体地理位置如图1所示。 在过去的30多年间, 随着巢湖周边地区城市化的加快, 工业的发展与人口的增长, 过量的工业、 生活污水排放以及无节制地消耗湖水资源导致巢湖的生态问题日益突出, 每年均会出现大面积的水华暴发, 水体富营养化程度较高的状况^[8]。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 巢湖地理位置示意图Fig.1 Location map of Chaohu Lake

水华暴发时, 水体绝大部分区域的叶绿素浓度一般都超过了100 mg· m^-3, 此时叶绿素a浓度已难以作为水华的预警^[9], 在水华暴发前夕或初期, 对水体的叶绿素a浓度进行监测可以得到水体藻类的生物量以及水质状况, 对于水华预警以及有针对性的预防具有重要意义。

巢湖蓝藻水华主要发生在每年的5月— 11月之间, 因此在掌握了卫星的过境日期与重访周期后, 确定实地采样日期为2019年5月10日。 该日天气晴朗, 云量较少, 气溶胶对水体反射的影响较小。 野外工作通过手持GPS定位测量仪获取经纬度, 利用DSC有机玻璃采水器采集水面下深度10 cm处的水样, 送至实验室采用分光光度法测量叶绿素a的浓度值, 最终获得有效样本12个, 其位置如图2所示, 样本叶绿素a浓度的均值为76.96 mg· m^-3, 标准差为44.53, 表1给出了具体的叶绿素a浓度值。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 巢湖采样点地理位置示意图Fig.2 Location map of sampling sites in Chaohu Lake

表1

Table 1

表1(Table 1)

表1 采样点叶绿素a浓度 Table 1 Concentration of chlorophyll a at sampling sites 序号 叶绿素a浓度 /(mg· m-3) 序号 叶绿素a浓度 /(mg· m-3) 1 63.12 7 180.65 2 52.61 8 155.37 3 59.58 9 78.02 4 68.11 10 33.68 5 89.63 11 21.50 6 67.39 12 53.89

表1 采样点叶绿素a浓度 Table 1 Concentration of chlorophyll a at sampling sites

珠海一号系列卫星星座包含8颗OHS高光谱卫星, 均采用扫推式成像方式, 其主要性能参数与常用的遥感数据源对比如表2所示。

表2

Table 2

表2(Table 2)

表2 珠海一号OHS数据源与其他遥感数据的卫星典型参数比较 Table 2 Comparison of typical satellite parameters of Zhuhai-1 Orbita Hyper Spectral with other remote sensing data 数据源 光谱分辨率/nm 空间分辨率/m 重访周期/day 波段数 波段范围/μm 时间范围 OHS 3~8 10 2.5 32 0.46~1 2017年6月至今 MODIS 10~50 250, 500 1~2 36 0.4~1.44 1999年至今 Landsat7 10~38 30 16 7 0.45~2.35 1999年至2020年 哨兵2 15~180 10 10 13 0.4~2.4 2015年6月至今 HJ-1B 5 30 2 4 0.45~0.95 2008年9月至今

表2 珠海一号OHS数据源与其他遥感数据的卫星典型参数比较 Table 2 Comparison of typical satellite parameters of Zhuhai-1 Orbita Hyper Spectral with other remote sensing data

使用ENVI5.3影像处理软件, 在安装“ 中国国产卫星支持工具V5.3” 后可以对珠海一号OHS影像数据进行打开与预处理。 对影像进行几何粗校正与辐射定标, 得到较为准确的大气顶层辐射亮度。 水体辐射信息属于弱信号, 因此需要通过大气校正消除大气对水体辐射传输所造成的影响, 增强水体辐射信号^[10]。 选用FLAASH方法对影像进行大气校正, 充分考虑获取影像所处的季节以及研究区的位置, 选取MLW大气模型, 选择820 nm标准进行水汽反演, 并利用ENVI5.3自带的DEM数据计算影像地区平均高程作为输入参数。 最后进行几何精校正、 研究区裁剪并导入实测点的经纬度, 提取相应的光谱特征。

光谱仪实地采集的光谱特征曲线最为精准, 但是光谱仪价格昂贵, 实际测量工作耗费人力物力且获取的曲线数量有限。 从遥感影像可提取任意像元的地表反射率, 可以极好地反映地物的光谱特征, 高光谱遥感影像的波段数较多, 可从中提取较为精准的地物光谱特征曲线。

图3给出了不同遥感数据源在不同内陆湖泊所获得的大气校正之后的光谱曲线图对比, 可以看出, 宽波段遥感影像几乎无法获取精细的光谱特征曲线, 必须依靠实测的地物光谱曲线才能获取建模所需的敏感波段。 珠海一号所获取的光谱特征曲线峰谷位置明显, 在一定程度上能反应水体组分的光谱特征, 波段范围涵盖了可见光至近红外波段, 为叶绿素a、 悬浮物等具有明显光谱特征的水质参数的建模反演提供了更多的选择。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 不同遥感数据源所获取的典型湖区光谱特征曲线对比 (a1): HJ-1B太湖; (a2): Landsat8巢湖; (a3): 吉林一号光谱01星太湖; (b1): OHS巢湖; (b2): OHS太湖; (b3): OHS白洋淀Fig.3 Comparison of spectral characteristic curves of typical lake areas obtained from different remote sensing data sources (a1): HJ-1B Taihu Lake; (a2): Landsat8 Chaohu Lake; (a3): JL-1 Taihu Lake; (b1): OHS Chaohu Lake; (b2): OHS Taihu Lake; (b3): OHS Baiyang Lake

对大气校正前后的巢湖12个实测点处的光谱曲线进行提取, 如图4(a)所示, 对特征波段进行提取得到图4(b), 可以看到大气校正在675 nm出现吸收峰, 在705 nm处出现荧光峰, 近红外波段处的反射率明显升高, 与以往巢湖水体的光谱特征研究^[11]对比, 可认为本实验大气校正较为精确。 寻找光谱特征时应尽量做到同一垂直方向上, 不同点光谱特征的情况尽可能的相同, 由图4(b)可得, 600 nm前波谱曲线均呈现出“ 先升后降” 的趋势, 但大部分曲线的波峰所处波长不同, 差距在2~3个波段以上, 因此难以确定出具体的波峰位置, 而在一些波段附近出现了较明显的“ 峰谷” , 如表3所示。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 珠海一号OHS影像提取的巢湖实测点光谱特征曲线Fig.4 Spectral characteristic curves of measured points extracted from Zhuhai-1 Hyperspectral Satellite Data in Chaohu Lake

表3

Table 3

表3(Table 3)

表3 巢湖水体光谱特征波段 Table 3 Spectral characteristics of the Chaohu Lake obtained from the Orbita Hyper Spectral image 序号 特征位置 附近的OHS波段 波段范围/nm 1 630 nm附近 b11, b12 623~642 2 690 nm附近 b15, b16 683~702 3 730 nm附近 b17, b18, b19 713~749

表3 巢湖水体光谱特征波段 Table 3 Spectral characteristics of the Chaohu Lake obtained from the Orbita Hyper Spectral image

波段组合指将若干个波段进行微分, 加减乘除等一系列数学运算组合而成的有理式, 该方法可以提高波段反映地表信息的能力, 增强地波波段特征间的微小差异, 消除地形、 阴影和其他参数所带来的影响, 常见的波段组合有单波段、 波段比值、 三波段等。

单波段模型通常使用特定波长处遥感反射率光谱的一阶微分值, 或者反射峰的波长建模, 波段比值则是使用反演参数光谱曲线吸收峰与吸收谷处的遥感反射率比值建模。 以上方法是基于多光谱遥感数据波段数较少的条件下, 使用1~2个波段尽可能的体现出目标反演参数对光谱特征的影响, 对于水体中其他组分的影响未能消除。 高光谱遥感数据波段数较多, 为叶绿素a浓度的反演建模提供了更多选择, 选取多个波段的组合不仅可以突出叶绿素a的光谱特征, 也弱化了水体重其他组分的影响。 三波段模型是目前反演叶绿素a浓度精度较高的经验模型, 其一般形式为

chla∝(Rrs(λ1)-1-Rrs(λ2)-1)×Rrs(λ3)(1)

式(1)中, chl_a为叶绿素a浓度反演值, R_rs为遥感反射率。

模型中波段波段的选取原则: (1)λ ₁要求处于叶绿素a红光波段的吸收峰处。 (2)λ ₂应位于λ ₁附近, 对于叶绿素a的吸收较小。 (3)λ ₃位于水体中各组分吸收系数最小的波段附近。 OHS影像经大气校正后, 光谱的吸收峰谷往往会发生偏移, 且不同地区、 不同季节的湖泊水体组分光谱特征不同, 因此根据表4中的备选波段, 按序号与波段一一对应的原则分别代入[R_rs(λ ₁)^-1-R_rs(λ ₂)^-1]× R_rs(λ ₃)^-1, 验证不同组合与叶绿素a浓度的相关系数R²数, 依次迭代至选出现相关度最高的组合, 将其作为建模的反演因子。

高光谱影像必然存在着数据冗余以及波段间相关大等问题, 因此借助最佳指数OIF来衡量波段组合所含有信息量。 OIF指数计算原理如下: 波段的标准差越大, 蕴含的地表信息量越丰富, 波段间的相关系数越小, 表明波段间的信息冗余度小, 所含信息的独立性高^[12], 计算式(2)所示。

OIF=∑i=13si/∑i=13Rij|(2)

式(2)中, sⁱ为第i个波段的标准差, R_ij为i和j两个波段的相关系数。

OIF指数越大说明波段组合的信息量包含越大, 蕴含的水体信息越多, 证明了波段组合与叶绿素a相关性较高的可信度。

留一交叉验证法是每次从n个样本中取一点进行作为验证点, 剩下n-1个样本用于建模, 以此迭代n次, 将n次检验的误差均值作为模型的误差, 可以弱化潜在异常值带来的误差, 比较适合样本点较少的模型评价^[13]。 本研究在使用留一交叉验证法的基础上, 借助平均相对误差(mean relative error, MRE)和均方根误差(root mean square error, RMSE)等统计参数对叶绿素a浓度的反演精度进行验证, 计算公式如式(3)和式(4)所示。

MRE=1n∑i=1nY-XX×100%(3)

RMSE=∑i=1n(Y-X)2n(4)

式(3)和式(4)中, X为Y分别为叶绿素浓度的实测值和反演值。

将12个实测点全部用于建模, 最终选取效果较好的波段组合, 其OIF指数以及与叶绿素a浓度的相关性R²如表4所示。

表4

Table 4

表4(Table 4)

表4 不同波段组合的OIF和R2对比 Table 4 Comparison of OIF and R2 of different combinations 序号 波段组合 OIF R2 1 b18/(b16-1-b17-1) 30.79 0.42 2 b19/(b16-1-b18-1) 44.80 0.60 3 b17/(b15-1-b16-1) 33.42 0.48 4 b19/(b17-1-b18-1) 31.17 0.51 5 b19/(b14-1-b15-1) 48.47 0.62 6 b19/(b14-1-b16-1) 51.35 0.75

表4 不同波段组合的OIF和R2对比 Table 4 Comparison of OIF and R2 of different combinations

由R²可知, 可用于建模的组合序号为2, 5和6, 且他们的OIF指数较高, 且大小顺序与R²一致, 这可以认为这些波段组合与叶绿素a浓度具有较高的相关性并非偶然。 值得注意的是, OIF和R²不一定存在严格正相关关系, OIF是用来衡量波段组合中信息冗余量与所含地表信息量的参数, 越大则证明波段组合蕴含更多地物信息, 对于任何一种待反演参数来说, 波段组合的OIF较高是该波段组合与目标反演参数相关性较高的必要不充分条件。 基于以上分析, 最终选取组合6作为构建模型的波段组合, 根据实测样本点进行拟合, 采用线性拟合的方式, 拟合度为0.721 5, 模型构建如图5所示。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 模型构建示意图Fig.5 Schematic diagram of model construction

根据留一交叉验证法对模型精度进行验证, 最终验证结果得出巢湖佣绿素a浓度反演三波段模型的平均相对误差和均方根误差分别为19.97%和10.85 mg· m^-3。 反演值与实测值的散点大致评价分布在1:1曲线两侧, 如图6所示。 12个样本点中结果误差在20%以内占有67%, 最小误差为9.20%, 最大误差发生在8号点, 为43.96%。 该点位于西巢湖的北部, 靠近入湖河流, 该地区水质情况较差, 采样当天附近有漂浮藻类植物, 水流及风力作用可能导致采集水样中含有一定的悬浮物与藻类杂质, 此外, 遥感影像混合像元等因素导致了反演值偏低。

图6

Fig.6

	Figure Option ViewDownloadNew Window
	图6 模型验证示意图Fig.6 Schematic diagram of model verification

通过图5中的反演模型, 基于珠海一号遥感影像绘制出2019年5月10日巢湖叶绿素a浓度分布图, 如图7所示。

图7

Fig.7

	Figure Option ViewDownloadNew Window
	图7 2019.5.10巢湖叶绿素a浓度分布Fig.7 Concentration distribution of chlorophyll a in Chaohu Lake(2019.5.10)

西巢湖的叶绿素a浓度是三个湖区中最高, 其北部沿岸地区叶绿素a浓度最高, 水质情况较差, 间接可以说明该地 区富营养化较为严重, 出现了一定面积的水华, 南部水域叶绿素a维持在50 mg· m^-3以内, 中部水域叶绿素a含量较低。 中巢湖地区靠近中西巢湖分界线地区有少部分水域叶绿素a浓度超过了100 mg· m^-3, 并由北向南呈现带分布, 整体来看, 叶绿素a浓度从西北向东南逐渐降低。 东巢湖的其叶绿素a浓度均值控制在了60 mg· m^-3以下, 仅在中西巢湖分界线以东出现了部分湖区叶绿素a浓度高于60 mg· m^-3, 东北部地区的叶绿素a浓度最低。 巢湖叶绿素a浓度均值最高的水域位于西巢湖北部, 该地区紧邻合肥市包河区, 有着南淝河与派河两条入湖河流, 受生活污水、 工业废水大量排放以及人类活动的影响导致该区域的水环境情况较差, 叶绿素a浓度较高。

近年来, 国内学者开展了一系列的巢湖水质监测工作的研究。 汪顺丽等^[14]指出巢湖整体富营养化程度东半湖低于西部半湖。 张民等^[15]分析了2012年— 2018年巢湖水质的变化趋势, 指出巢湖富营养化由西向东逐步降低, 西巢湖的南淝河、 十五里河、 派河等入湖河流是主要污染河流。 从光谱特征曲线的角度来看, 当湖泊中出现蓝藻水华时, 湖泊叶绿素a的浓度升高, 水体的光谱特征不同于以往, 近红外波段会出现显著的植被特征, 反射率升高, 同时, 红, 蓝波段的反射率降低^[16], 图3(b)中光谱曲线与以上描述较为贴近。 综合上述分析, 可认为本实验结果可以较为精确的反映巢湖的叶绿素a浓度分布状况。