水体叶绿素遥感反演中的多尺度分析

摘要水体遥感影像提取污染物信息普遍存在着尺度效应问题，选择合适的空间分辨率影像能够准确地表征水域污染的空间分布状况。充分利用水体空间尺度信息，研究水色遥感的尺度问题，有利于提升湖泊水体遥感反演模型的应用能力。以巢湖水域HJ-lA卫星HSI高光谱和CCD多光谱遥感数据为例，以Matlab为平台，采用基于离散小波多尺度变换分析方法，生成多光谱尺度和空间尺度影像，然后利用水体污染物的定量遥感反演方法，获取湖面水体叶绿素多尺度空间分布浓度，并利用水面同步实测数据对反演结果进行验证。通过结果比较，确定100 m分辨率的HSI高光谱数据为较优分析空间尺度。

关键词水体污染物；遥感图像；多尺度；小波变换

中图分类号S126；TP791文献标识码A文章编号0517-6611（2014）12-03681-03

基金项目国家自然科学基金项目（4101232）；安徽高校省级自然科学基金项目（KJ2013B053）。

作者简介潘邦龙（1976- ），男，安徽合肥人，讲师，博士，从事水环境遥感研究。

随着遥感技術的发展，利用卫星遥感数据对湖泊水质展开大规模监测，特别是现代遥感的高空间和高光谱分辨率影像在湖泊水质遥感监测中具有监测范围广、数据更新快、运行成本低的优势。然而，空间分辨率对于水体遥感信息提取精度的影响存在着两重性：高空间分辨率减少了地类边缘的混合像元，但地物内部的光谱变异复杂；反之，高光谱分辨率能够较好地表达地物特征，但像元内混合地物复杂多变[1]。因此，选择最优空间尺度对于准确分析水体污染物的空间分布具有重要的意义。

目前，国内外许多学者都对水体污染物含量进行相关研究。在国内，唐军武等提出通过多波段的光谱反射比值，可以导出水体固有光学参数吸收系数a和后向散射系数b，线性方程组再由上述固有光学参数与叶绿素a浓度的关系建立，然后解出叶绿素a浓度的值[2]；国外从20世纪70年代开始就针对多光谱传感系统（MSS）的4个波段进行湖泊水质遥感研究。目前，人们已经应用卫星遥感数据研究水体组分如透明度、Chla、溶解性有机物、悬浮物、温度等的分布和变化。但是遥感影像在反映空间格局与过程中对尺度具有依赖性，即对于不同空间尺度、光谱尺度的遥感影像数据，经建模反演等技术手段最终得到研究区污染程度或范围时，会产生部分差异。研究表明，遥感影像的提取精度取决于混合像元的数量和类别边缘光谱变异的复杂程度两个主要因素。当影像的空间分辨率提高时，处于不同类别边缘的混合像元数目将会变少，分类精度随之提高；但由于空间分辨率的提高，也导致相同地物内部光谱变异增大，分类精度会降低[3]。

小波多尺度分析为空间地物多尺度分割和最优空间尺度的选择提供了很好的解决方法。小波分析具有同时用多尺度对空间格局进行分析的能力，也能将格局、尺度与具体空间位置明确地表示出来，其不要求数据在研究的空间范围内具有平稳性，而自然界存在的现象都是非平稳的，因此小波变换具有处理一般数据的功能[2]。为此，笔者以Matlab为平台，采用基于离散小波多尺度变换分析的Mallat分解算法，生成多空间尺度和多光谱尺度影像，然后利用水体污染物的定量反演方法，获取湖面水体叶绿素多尺度空间分布浓度，为最优空间尺度影像的选取提供依据。

1分析方法

1.1小波多尺度分析方法小波变换是法国工程师于1974年提出的介于函数时间域和频率域间的一种表示方法，该方法在空间域和频率域具有良好的局部化性质，可以在任意尺度函数中分析提取出多尺度空间图像基本局部细节特征。该研究采用Mallat算法为小波多尺度分解运算方法[4]。

1.2水体污染物的定量反演方法半经验方法是将已知的水质变量光谱特征与统计分析模型（或其他数学模型）相结合，选择最佳的波段或波段组合作为相关变量估算水质变量值的方法。这种方法是目前最常用的定量分析方法之一，不但简单实用而且具有一定的物理意义，国内外很多学者都利用过这种方法监测湖泊、水库的水质变量如叶绿素、悬浮物、富营养化指数等，得到较高的反演精度。常用的方法有线性回归、对数转换线性回归、多项式回归、逐步多元线性回归、贝叶斯分析、主成分分析等。该研究拟采用半经验法中的线性回归方法对小波多尺度影像进行建模与反演，以获取影像最佳空间分析尺度[6]。

2实例分析

2.1影像数据和水面实测数据研究数据采用的是HJ1A卫星HSI高光谱和CCD多光谱影像，成像时间为2009年6月13日，该天天气晴朗，能见度高，湖面气象状况良好。由于获取的数据为二级影像产品，需要做几何精校正和大气校正。几何校正在ArcGIS软件支持下以1∶10 000地形图为参考，利用多项式几何模型校正和最邻近重采样方法，实现校正精度RMSE小于1个像素。大气校正采用6S软件实现参与计算的部分波段数据的大气校正，并计算出水体遥感反射率。

水面测量试验在巢湖水域同步展开，共选取了24个样点。水面光谱测量使用ASD便携式野外光谱仪FieldSpec（波长范围为350～2 500 nm），采用“水面以上法”测量水面光谱。水面采集的水样置于10%HCl和去离子水洗净的塑料桶中，并用GPS记录样点纬度坐标。取样后的水质参数浓度由室内试验分析获得样点叶绿素a浓度数据。由于在数据处理时发现11号点位数据异常，去除后剩余的23个点用于建模和检验。具体采样点平面分布如图1所示。

2.2小波分析算法实现将0-Pi定义为空间V0，经过一级分解之后V0被分成0-Pi/2的低频子空间V1和Pi/2-Pi的高频子空间W1，然后一直分下去，得到 VJ+WJ+…+W2+W1。因为VJ和WJ是正交的空间，且各W子空间也是相互正交的，所以分解得到相互不包含的多个频域区间，称为多分辨率分析，即多尺度分析[5-6]。对一幅图像进行小波分解，得到低频和对应的高频部分，该研究中利用bior 3.7小波基对原始图像进行小波变换，采用wavedec2函数实现对图像的二层分解，对高频系数的提取则采用detcoef2函数，而对低频信号系数提取则采用函数appcoef2；wrcoef2函数实现利用bior3.7小波基对低频分量的水平方向、垂直方向、斜线方向以及高频分量的重构；wcodemat 函数实现对数据矩阵进行伪彩色编码；waverec2函数实现对二维信号的多层小波重构，即小波变换的逆变换，最终利用imwrite函数将图像写入文件，并保存。结果如图2所示。

2.3污染物浓度反演该研究选用叶绿素为水体污染物的典型代表指标参数进行研究。通过前人对巢湖水体光谱特性已有的研究发现，水体光谱反射率与叶绿素a的最大相关性位于680和705 nm附近，相应的卫星影像波段为叶绿素反演相关度最高的波段[7-8]。鉴于此，笔者利用HJ1A卫星 CCD数据的B3、B4波段和HSI的B79、B72波段反射率，结合采样点实测叶绿素浓度，利用最小二乘法进行线性拟合，得到模型如下：

3结论

对于不同尺度遥感影像，由于其自身特点，会对水体污染物参数反演结果产生不同影响。该研究以HJ1A卫星HSI影像和CCD影像为研究对象，采用常规半经验线性模型建立各自反射率与叶绿素浓度间的关系，分别对原始影像的相关波段和经小波变换过后的影像图进行反演比较，在采用相同的反演模型下，经小波变换后的反演结果与实地测量值有一定的差异，表明遥感影像的空间尺度和光谱尺度对反演结果的敏感性。通过对于两种不同传感器的影像数据分析，HJ1A的HSI 100 m空间尺度的高光谱影像反演效果优于其他分辨率的影像。