引用本文
余果, 钟雅枫, 付东洋, 刘大召, 徐华兵. 湛江湾水体颗粒物后向散射特性及其遥感反演研究[J]. 光谱学与光谱分析, 2024,44(3): 793-799.
YU Guo, ZHONG Ya-feng, FU Dong-yang, LIU Da-zhao, XU Hua-bing. Particulate Backscattering Characteristics and Remote Sensing Retrieval in the Zhanjiang Bay[J]. Spectroscopy and Spectral Analysis, 2024,44(3): 793-799.
Doi:10.3964/j.issn.1000-0593(2024)03-0793-07  
Permissions
Copyright©2024, 《光谱学与光谱分析》期刊社
《光谱学与光谱分析》期刊社 所有
湛江湾水体颗粒物后向散射特性及其遥感反演研究
余果1,2, 钟雅枫1, 付东洋2,3,4,*, 刘大召2,3,4, 徐华兵2
1.广东海洋大学化学与环境学院, 广东 湛江 524088
2.广东海洋大学电子与信息工程学院, 广东 湛江 524088
3.南方海洋科学与工程广东省实验室(湛江), 南海资源大数据中心, 广东 湛江 524025
4.广东省海洋遥感与信息技术工程技术中心, 广东 湛江 524088
*通讯作者 e-mail: fdy163@163.com

作者简介: 余 果, 1993年生, 广东海洋大学化学与环境学院博士研究生 e-mail: yg100@gdou.edu.cn

收稿日期: 2022-08-29 修回日期: 2022-11-01 接受日期: 2022-11-01
基金: 国家自然科学基金项目(42106148, 42206187), 广东省教育厅重点研究项目(2019KZDXM019), 南方海洋科学与工程广东省实验室(湛江)项目(ZJW-2019-08), 国家重点研发计划项目(2022YFC3103101)资助
摘要

湛江湾2018年1月的原位调查, 获得了原位遥感反射率( Rrs)、 颗粒物后向散射系数( bbp)、 叶绿素a(Chl a)和无机悬浮颗粒物(ISM)浓度等参数, 分析了湛江湾水体颗粒物后向散射特性, 并对颗粒物后向散射系数进行了遥感反演研究。 研究结果显示: 在研究区域观察到表层水体6个波段(420, 442, 470, 510, 590和700 nm)颗粒物后向散射系数的变异系数均在50%~60%之间, 其变化范围为0.026 1~0.211 2 m-1, 这意味着水体光学性质的复杂性。 为了更好地量化 bbp的光谱特性, 研究以510 nm为参考波段构建了 bbp幂函数光谱模型, 获得的光谱模型斜率指数 n=1.55。 研究发现 bbp(510)与ISM呈现乘幂关系, 与颗粒物组成(Chla/ISM)呈现指数关系, 决定系数 R2分别为0.74和0.62, 表明研究区域颗粒物后向散射系数一阶驱动因子主要为无机悬浮颗粒物浓度, 二阶驱动因子颗粒物组成对 bbp(510)变异也具有重要的贡献。 为了准确估算湛江湾颗粒物后向散射系数, 研究基于原位遥感反射率构建了随机森林模型, 并与QAA-v6、 QAA-RGB和QAA-705三种半分析算法进行对比。 随机森林模型的 R2为0.86, 平均绝对百分比误差MAPE为12%, 均方根误差RMSE为0.02 m-1, QAA-v6、 QAA-RGB和QAA-705三种半分析算法 R2分别为0.63、 0.71和0.53, MAPE分别为186%、 117%和243%, RMSE分别为0.16、 0.09和0.18 m-1, 三种半分析算法虽然也具有较高的 R2, 但估计值和测量值之间存在显著差异, 且MAPE和RMSE也较大, 三种半分析算法显著低于随机森林方法的反演精度, 表明运用遥感反演湛江湾 bbp, 随机森林方法具有较大的应用潜力。

关键词: 颗粒物后向散射特性; 遥感反演; 湛江湾; 随机森林
中图分类号:P733.3 文献标志码:A
Particulate Backscattering Characteristics and Remote Sensing Retrieval in the Zhanjiang Bay
YU Guo1,2, ZHONG Ya-feng1, FU Dong-yang2,3,4,*, LIU Da-zhao2,3,4, XU Hua-bing2
1. College of Chemistry and Environmental Science, Guangdong Ocean University, Zhanjiang 524088, China
2. College of Electronic and Information Engineering, Guangdong Ocean University, Zhanjiang 524088, China
3. Marine Resources Big Data Center of South China Sea, Southern Marine Science and Engineering Guangdong Laboratory (Zhanjiang), Zhanjiang 524025, China
4. Guangdong Provincial Engineering and Technology Research Center of Marine Remote Sensing and Information Technology, Guangdong Ocean University, Zhanjiang 524088, China
*Corresponding author
Abstract

Based on the in-situ investigation of Zhanjiang Bay in January 2018, the in-situ remote sensing reflectance ( Rrs), particulate backscattering ( bbp), chlorophyll a concentration (Chl a) and inorganic suspended matter concentration (ISM) were obtained. The backscattering characteristics of particulates in Zhanjiang Bay were analyzed, and the backscattering coefficients of particulates were retrieved by remote sensing. The research results showed that the coefficients of variation (CV) of bbp in the six bands (420, 442, 470, 510, 590 and 700 nm) were between 50%~60% in surface water, and the variation range was 0.026 1~0.211 2 m-1, which also mean the complexity of optical properties in water. In order to better quantify the spectral characteristics of bbp, the power function spectral model of bbp was constructed with 510 nm as the reference band, and the slope index of the spectral model was 1.55. In the meantime, the bbp(510) had a power relationship with ISM and an exponential relationship with particulate composition (Chl a/ISM), while the determination coefficient ( R2) was 0.74 and 0.62, respectively. It indicated that the first-order driving factor of particulate backscattering in the bay was mainly the concentration of inorganic suspended matter, and the second-order driving factor of particulate composition also contributed to the variation of bbp(510). In addition, in order to accurately estimate the particulate backscattering coefficient in Zhanjiang Bay, a random forest model was constructed based on in-situ remote sensing reflectance, and compared with three semi-analytical algorithms such as QAA-v6, QAA-RGB and QAA-705. The R2 of random forest model was 0.86, the mean absolute percentage error (MAPE) was 12%, the root mean square error (RMSE) was 0.02 m-1, the R2 of QAA-v6, QAA-RGB and QAA-705 was 0.63, 0.71 and 0.53, the MAPE was 186%, 117% and 243%, and the RMSE was 0.16, 0.09 and 0.18 m-1, respectively. Although the three semi-analytical algorithms also had high R2, there were significant differences between the estimated and measured values, and the MAPE and RMSE were also large. The retrieval accuracy of three semi-analytical algorithms was significantly lower than that of the random forest method, which indicated that the random forest method had great potential application when using remote sensing to retrieve the bbp in Zhanjiang Bay.

Keyword: Particulate backscattering characteristics; Remote sensing retrieval; Zhanjiang Bay; Random forest
引言

颗粒物后向散射系数(bbp)是水体中重要的固有光学量, 主要受到水中悬浮颗粒物的浓度, 大小, 组成, 形状和结构等因素影响[1], 而悬浮颗粒物在海洋生态系统和生物地球化学循环中扮演着重要的角色[2], 因此了解bbp的光谱特性及影响因子对近海二类水体的光学和生态环境研究具有重要的意义。 近年来, 国内外学者对海洋中bbp的光谱特性及影响因子进行了相关的研究, 如Gordon等[3]在圣地亚哥和夏威夷近海海域进行研究发现, bbp随波长的变化可以用幂函数表示; Reynolds等[2]利用楚科奇海和波弗特海的现场实测数据来分析海水中bbp与悬浮物浓度、 体积组成和尺寸分布之间的关系; 姜玲玲等[4]发现渤海近岸不同季节水体颗粒物的粒径构成对bbp具有不同的影响; Sun等[5]基于渤海、 黄海和东海的野外测量数据, 分析了颗粒物后向散射比的变化规律, 并对颗粒物后向散射比变化的驱动机制展开了研究。 然而, 目前对于受人类活动影响较大和富营养水平较高的半封闭海湾水体颗粒物的光学行为仍缺乏深入地了解, 对湛江湾bbp的研究可为近海二类水体光学研究提供一次有意义的补充。

水体表面的光谱反射率与bbp大致成正比, 水体表面的光谱反射率能被卫星或者其他的光学探测器所接收, 通过遥感反演, 来获取bbp信息, 再利用bbp与水体中生物地球化学参数的关系, 从而得到悬浮物, 粒径谱斜率和颗粒有机碳(POC)等信息[6, 7, 8], 因此bbp反演的准确性至关重要。 准分析算法(QAA)是半分析算法(SAA)中比较经典的算法之一, 从遥感反射率出发, 经过一些经验和分析模型得到水体固有光学量, 一些学者在QAA的基础上改进和扩展了许多不同方法, 以适应和得到不同水域的生物光学参量[9, 10, 11]。 然而, 不同水域的光学性质差异性较大, 基于QAA及其扩展的估计方法是否适用于湛江湾, 还有待进一步研究。 近年来, 随着机器学习在遥感领域的发展, 一些学者利用随机森林、 人工神经网络和支持向量机等方法成功反演水体中的生物光学参数[12, 13], 证明了机器学习在遥感反演中的应用潜力, 然而将随机森林算法应用到bbp的反演还未见报道。 随机森林(RF)是一种集成学习方法, 在训练期间构建大量决策树, 每个树之间相互独立, 并将所有决策树预测的平均值输出作为模型预测结果。 随机森林方法在数据集处理上表现较稳定, 运行速度快, 泛化性能好, 不容易产生过拟合, 并且对异常值和噪声的敏感性较低, 具有较好的可推广性和准确性[12]。 本工作试图建立随机森林算法来反演光学性质较复杂的湛江湾bbp。

湛江湾位于雷州半岛东北部, 是南海西北部海域的一个半封闭海湾, 湾内水动力条件较差, 水体生态系统受到人类活动的影响较严重, 水体光学性质较复杂, 开展该区域生物光学参量研究对我国近海二类水体光学特性研究及水体生态环境研究具有重要的价值。 本文利用2018年1月在湛江湾的原位数据, 分析了水体bbp的光谱特性及影响因子, 构建了bbp的随机森林反演模型, 并比较了随机森林模型与QAA-v6[9]、 QAA-RGB[10]和QAA-705[11]三种半分析算法的反演精度。

1 实验部分
1.1 数据采集

图1为2018年1月在湛江湾海域设置的采样站位, 共收集了24个站位的原位遥感反射率和水体后向散射系数数据。 同步采集了表层水样, 水样置于冷藏冰箱当天带回实验室, 用于测量叶绿素a和无机悬浮颗粒物的浓度。

图1 湛江湾采样站位图Fig.1 Sampling stations in the Zhanjiang Bay

1.2 测量方法

利用德国TriOS RAMSES水面光谱仪(波长范围是320~950 nm, 光谱精度是0.3 nm)获得光谱辐射参数(包括水体上行辐射亮度、 天空漫散射光下行辐射亮度和水表面入射辐照度), 测量方法参考唐军武等[14]提出的水面以上测量法。 遥感反射率的计算公式为[14]

Rrs(λ)=Lu(λ)-r×Lsky(λ)Ed(λ)(1)

式(1)中, Lu(λ)为水体上行辐射亮度, Lsky(λ)为天空漫散射光下行辐射亮度, r为气-水界面对天空光的反射率, 在本文中取值 0.025, Ed为水表面入射辐照度。

利用美国HydroScat-6p后向散射仪测量水体整个剖面的后向散射系数, HydroScat-6p携带6个波段, 分别为420, 442, 470, 510, 590和700 nm, 测量之后的数据在HOBI Labs用户手册的指导下进行sigma校正, 校正后的值减去纯水的后向散射系数就得到颗粒物后向散射系数, 其中纯水的后向散射系数为纯水散射系数的一半, 纯水散射系数数值参考Buiteveld等[15]实测的结果。

叶绿素a的浓度通过荧光分光光度法测定, 用Whatman玻璃纤维滤膜(GF/F)过滤1 L水样, 使用90%丙酮萃取滤膜上的Chl a, 并通过10-AU型特纳荧光仪测定得到Chl a浓度[16]。 无机悬浮颗粒物浓度通过重量法测定, 将GF/F滤膜放在电热恒温干燥箱中进行恒温脱水, 冷却后放在硅胶干燥器中6~8 h后再进行称重, 用称重好的滤膜过滤2 L水样, 使用马弗炉灰化过滤好的滤膜, 然后用十万分之一分析天平称量残留物的质量, 从而得到无机悬浮颗粒物的浓度[17]。

1.3 bbp反演算法步骤

利用MatlabR2018a中的TreeBagger工具实现随机森林模型的构建, 将5个不同波段(443, 492, 560, 665和705 nm)的实测遥感反射率作为输入变量, bbp(510)作为输出变量。 在模型训练之前需要对RF对应的叶子节点数与树的数量择优选取, 经过不断调试, 确定最优树个数与最优叶子节点个数分别为100和5。 采用上述参数进行模型训练, 并利用袋外误差来衡量模型自身的性能, 从而得到随机森林模型的预测结果。

QAA-v6算法是Lee等[9]在2014年提出的, 在本研究中, 由于各站位实测Rrs(670)均大于0.001 5 sr-1, 将Rrs(443)、 Rrs(490)、 Rrs(555)和Rrs(670)作为输入, 经过一些理论和经验公式的计算, 得到bbp(510), 详细计算步骤参见文献[9]。 Pitarch和Vanhellemont[10]基于高空间分辨率卫星传感器的波段设置, 在QAA算法的基础上提出QAA-RGB, 该算法表明仅使用红、 绿、 蓝三个波段处的遥感反射率就可以得到大部分的固有光学量, 包括水体后向散射系数和吸收系数等, 具体计算步骤参见文献[10]。 Qing等[11]针对近岸和内陆高浑浊水体, 提出QAA-705, 该模型将QAA算法中的参考波长555和670 nm替换为705 nm, 并且对算法中的一些模型重新参数化, 改进后的模型步骤参见文献[11]。

1.4 精度评估

采用决定系数(R2)、 平均绝对百分比误差(MAPE)和均方根误差(RMSE)对颗粒物后向散射系数估计模型的性能进行定量评价, 见式(2)-式(4)。

R2=1-∑i=1n(Xi-Yi)∑i=1n(Xi-Z)(2)

MAPE=1n∑i=1nXi-YiXi×100%(3)

RMSE=1n∑i=1n(Xi-Yi)2(4)

其中, Xi和Yi分别为颗粒物后向散射系数的实测值和估计值, Z为颗粒物后向散射系数实测值的平均值。

2 结果与讨论
2.1 湛江湾海域水体生物光学参数的变化

在调查期间, 湛江湾海域水体表层(水下0.6 m以内)生物光学参数变化幅度较大。 Chl a浓度标准差为0.63 mg· m-3, 变异系数为20.9%。 从标准差和变异系数的大小可以看出, ISM浓度的变化范围比Chl a稍大, 标准差为2.54 mg· L-1, 变异系数为25.4%。 营养盐和有机物的陆源输入、 人类的养殖活动、 工业和生活废水的排放可能是导致湛江湾叶绿素a变化的主要原因[18], 而引起ISM变化的主要因素为水深、 季风、 潮汐和人类采砂活动等[19]。 在以往的研究中, 通常用水体中悬浮颗粒物组成(Chl a/TSM)来表示悬浮颗粒物组成[5], 然而总悬浮颗粒物(TSM)包括无机悬浮颗粒物(ISM)和有机悬浮颗粒物(OSM), 而OSM可能包括Chl a为主的藻类颗粒物, 为了消除Chla的影响, 本研究以Chla/ISM作为悬浮颗粒物组成的指标[20], Chla/ISM也同样呈现出较大的变化, 变异系数为36.2%。 此外, bbp则表现出更大的可变性, bbp(420), bbp(442), bbp(470), bbp(510), bbp(590)和bbp(700)的变异系数均在50%~60%之间, bbp最大值出现在470 nm, 为0.2112 m-1, 最小值出现在700 nm, 为0.026 1 m-1。 湛江湾水体bbp数值跨越了两个数量级, 这与世界其他海洋及沿岸海域bbp数值具有一定的可比较性[2, 4]。 bbp数值大于0.1 m-1的位置位于湛江湾湾口及靠近工厂排污口附近的海域, 这些区域ISM及Chl a浓度相对较高。 各生物光学参数具体变化范围、 均值、 标准差和变异系数见表1。

表1 湛江湾水体生物光学参数的变化 Table 1 Variations of water bio-optical parameters in the Zhanjiang Bay
2.2 湛江湾水体颗粒物后向散射系数的光谱特性

观测到湛江湾同一站位bbp在不同的波段呈现较小的数值差异, 且不同站位bbp从短波段到长波段可能表现出不同的变化趋势, 但总体变化趋势较平稳, 如图2所示。 为了准确描述湛江湾水体bbp的光谱特性, 本研究以510 nm作为参考波长, 计算出bbp光谱模型斜率指数, bbp光谱模型一般满足以下关系[2]

bbp(λ)=bbp(λ0)λλ0-n(5)

图2 各站位颗粒物后向散射系数光谱图Fig.2 Observed particulate backscattering coefficients spectrum

式(5)中, λ 0为参考波长, n为光谱模型斜率指数, 应用该式对湛江湾水体bbp的光谱特性进行模拟。 由表2可知, 其他各波段bbp与bbp(510)之间具有极强的相关性, 将bbp(λ )与bbp(510)进行线性拟合, 拟合关系式为: bbp(λ )=A(λ )bbp(510), 各波长拟合决定系数R2都在0.99及以上, 获得的系数A分别为1.015 1, 1.043 8, 1.060 6, 1, 0.885 9, 0.785 1, 然后再利用A与波长比值λ /λ 0进行幂函数拟合, 得到湛江湾水体bbp光谱模型斜率指数n=1.55(R2=0.89)。 诸多学者对光谱模型斜率指数进行了研究, 如波弗特和楚科奇海域n的变化范围为0.13~3.01, 中值为1[2]; 中国黄海、 东海海区n的变化范围为0.61~1.99, 平均值为1.146[21]。 对于不同海区该指数具有一定的差别, 这种差异性可能是不同水体颗粒物的浓度、 组成、 结构相异等所导致。

表2 各个波段bbp与bbp(510)的相关性 Table 2 Correlation of particulate backscattering coefficients at all wavebands and at 510 nm
2.3 湛江湾水体颗粒物后向散射系数的影响因子

颗粒物后向散射系数一阶驱动因子主要是水体中悬浮颗粒物浓度[22], 而悬浮颗粒物又分为无机悬浮颗粒物和有机悬浮颗粒物, 而有机悬浮颗粒物通常以藻类颗粒物为主, 在本研究中, 以Chl a浓度代表藻类颗粒物的浓度, 对bbp(510)与ISM、 Chla的浓度进行相关性分析发现, bbp(510)与ISM显示出较高的正相关关系, 相关系数为0.84(p< 0.01), 而与Chla则显示无明显相关性, 表明研究区域水体bbp一阶驱动因子主要为无机悬浮颗粒物浓度。 为了进一步定量确定无机悬浮颗粒物对bbp的影响, 本研究进行了回归分析, 得到bbp(510)与ISM浓度呈现乘幂关系, 如图3所示, bbp(510)与ISM浓度乘幂指数为1.88, 与世界其他海域报告的数值有所差别[2], 一方面可能是因为不同水体中ISM浓度、 大小、 结构和组成的差异, 另一方面可能是因为参考波段选取不同。 bbp二阶驱动因子主要是水体中悬浮颗粒物组成、 结构、 密度、 形状等[22], 利用Chla/ISM来表征颗粒物组成, 对其与bbp(510)进行回归分析得到bbp(510)与Chla/ISM呈现指数关系, 如图4所示, 低bbp值对应高Chla/ISM值, 高Chla/ISM通常是以藻类颗粒物为主, 而高bbp值对应低Chla/ISM值, 低Chla/ISM通常是以无机悬浮颗粒物为主, 表明湛江湾水体颗粒物组成对bbp有重要的贡献, 与Sun等[5]在渤海、 黄海和东海的研究结果相一致。

图3 bbp(510)与ISM浓度的关系Fig.3 The relationship between bbp(510) and ISM concentraion

图4 bbp(510)与Chla/ISM的关系Fig.4 The relationship between bbp(510) and Chla/ISM

2.4 湛江湾水体颗粒物后向散射系数的遥感反演

bbp包含了水体中悬浮颗粒物信息, 这些信息最终可以反映在水面遥感反射率光谱中。 选取了QAA-v6、 QAA-RGB和QAA-705三种半分析算法[9, 10, 11], 与所构建的随机森林模型进行对比。 仍然以bbp(510)作为实验分析, 以便将反演值与实测值进行对比。 随机森林模型利用5个波段(443, 492, 560, 665和705 nm)处的遥感反射率作为输入, bbp(510)作为输出。 图5比较了四种方法bbp(510)的估算精度, 可以看出本文构建的随机森林模型[图5(d)]反演精度最高, 具有最高的R2和最低的MAPE、 RMSE。 虽然QAA-v6[图5(a)]、 QAA-RGB[图5(b)]和QAA-705[图5(c)]也具有较高的R2, 但是其估计值和测量值之间存在显著差异, 反演值整体偏大, 同时MAPE和RMSE也较大, 其精度不理想, 显然, 利用QAA及其扩展的方法来反演湛江湾海域水体bbp(510)具有一定的误差, 这些误差可能来源于QAA及其扩展的方法中的经验公式, 经验公式中的参数需要经过一定的区域化调试来适应该水域bbp的反演, 但调试需要测量更多的固有光学量来进行验证, 因此此方法存在一定的局限性。 随机森林算法表现明显优于QAA-v6、 QAA-RGB和QAA-705算法。 从自变量重要性直方图(图6)来看, Rrs(560)、 Rrs(665)、 Rrs(705)对bbp(510)的贡献居前三位, 这些波段都是悬浮颗粒物的特征波段, 从侧面也印证了bbp(510)与悬浮颗粒物关系密切。 同时, 这5个波段是Sentinel-2或者Landsat-8卫星的中心波段, 为实现湛江湾海域的高空间分辨率反演bbp(510)提供了可能。 综合考虑, 在湛江湾海域使用Rrs来对bbp进行反演, 随机森林是首选方法, 但是需要进一步通过优化该模型来提高bbp的反演精度。

图5 随机森林(d)与QAA-v6 (a)、 QAA-RGB (b)和QAA-705 (c)算法的比较Fig.5 Comparison of the random forest with QAA-v6 (a), QAA-RGB (b) and QAA-705 (c) with random forest (d)

图6 随机森林的自变量重要性直方图Fig.6 The importance histogram of independent variables of the random forest algorithm

3 结论

(1)湛江湾水体实测bbp呈现较大的可变性, 数值变化范围为0.026 1~0.211 2 m-1, bbp从短波段到长波段总体变化趋势较平稳, 其光谱变化通过建立的幂函数模型进行模拟, 得到颗粒物后向散射系数模型斜率指数n为1.55。

(2)bbp(510)与ISM存在较高的正相关关系, 相关系数为0.84, 与Chl a无明显相关关系, 表明湛江湾水体bbp一阶驱动因子主要为无机悬浮颗粒物浓度; Chl a/ISM与bbp呈现指数关系, 决定系数R2为0.62, 表明二阶驱动因子水体颗粒物组成对bbp变异有重要的贡献。

(3)利用原位遥感反射率建立了随机森林模型, 用于估算湛江湾bbp, 与QAA-v6、 QAA-RGB和QAA-705算法的比较表明, 随机森林算法的反演精度最高, 决定系数R2为0.86, 平均绝对百分比误差MAPE为12%, 均方根误差RMSE为0.02 m-1。 随机森林算法为具有复杂光学性质的湛江湾水体颗粒物后向散射系数的遥感估算提供了一种有效的方法, 但还需要进一步通过优化该模型来提高bbp的反演精度。

参考文献
[1] Xu J F, Bian Y C, Lyu H, et al. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2021, 14: 8577. [本文引用:1]
[2] Reynolds R A, Stramski D, Neukermans G. Limnology and Oceanography, 2016, 61(5): 1869. [本文引用:6]
[3] Gordon H R, Lewis M R, McLean S D, et al. Optics Express, 2009, 17(18): 16192. [本文引用:1]
[4] JIANG Ling-ling, DUAN Jia-hui, WANG Lin, et al(姜玲玲, 段家辉, 王林, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2021, 41(1): 156. [本文引用:2]
[5] Sun D Y, Su X P, Wang S Q, et al. Optics Express, 2019, 27(3): 3074. [本文引用:3]
[6] Balasubramanian S V, Pahlevan N, Smith B, et al. Remote Sensing of Environment, 2020, 246: 111768. [本文引用:1]
[7] Lei S H, Xu J, Li Y M, et al. Environmental Pollution, 2021, 270: 116288. [本文引用:1]
[8] D’Sa E J, Joshi I D, Liu B Q, et al. Frontiers in Marine Science, 2019, 6: 523. [本文引用:1]
[9] Lee Z, Lubac B, Werdell J, et al. International Ocean Color Group Software Report, 2014. (https://www.ioccg.org/groups/Software_OCA/QAA_v6_2014209.pdf). [本文引用:5]
[10] Pitarch J, Vanhellemont Q. Remote Sensing of Environment, 2021, 265: 112667. [本文引用:5]
[11] Qing S, Cui T W, Lai Q, et al. International Journal of Applied Earth Observation and Geoinformation, 2021, 102: 102377. [本文引用:5]
[12] Ruescas A B, Hieronymi M, Mateo-Garcia G, et al. Remote Sensing, 2018, 10(5): 786. [本文引用:2]
[13] Kolluru S, Gedam S S, Inamdar A B. Computers & Geosciences, 2021, 147: 104678. [本文引用:1]
[14] TANG Jun-wu, TIAN Guo-liang, WANG Xiao-yong, et al(唐军武, 田国良, 汪小勇, 等). Journal of Remote Sensing(遥感学报), 2004, 8(1): 37. [本文引用:2]
[15] Buiteveld H, Hakvoort J H M, Donze M. Proceedings of SPIE, 1994, 2258: 174. [本文引用:1]
[16] Fu D Y, Zhong Y F, Chen F J, et al. Sustainability, 2020, 12(3): 889. [本文引用:1]
[17] YU Guo, FU Dong-yang, ZHONG Ya-feng, et al(余果, 付东洋, 钟雅枫, 等). Journal of Guangdong Ocean University(广东海洋大学学报), 2021, 41(1): 55. [本文引用:1]
[18] JIANG Cheng-fei, FU Dong-yang, LI Qiang, et al(蒋城飞, 付东洋, 李强, 等). Haiyang Xuebao(海洋学报), 2016, 38(11): 20. [本文引用:1]
[19] YU Guo, ZHONG Ya-feng, FU Dong-yang, et al(余果, 钟雅枫, 付东洋, 等). Haiyang Xuebao(海洋学报), 2022, 44(8): 31. [本文引用:1]
[20] Du C, Wang Q, Li Y, et al. International Journal of Applied Earth Observation and Geoinformation, 2018, 71: 29. [本文引用:1]
[21] SONG Qing-jun, TANG Jun-wu(宋庆君, 唐军武). Acta Oceanologica Scinica[海洋学报(中文版)], 2006, 28(4): 56. [本文引用:1]
[22] Neukermans G, Loisel H, Mériaux X, et al. Limnology and Oceanography, 2012, 57(1): 124. [本文引用:2]