大气校正对基于遥感指数提取藻华信息的影响

张月， 肖彧， 常晶晶， 刘健， 王亚琼， 贺春燕, 何冰

(吉林农业大学资源与环境学院，长春 130118)

大气校正对基于遥感指数提取藻华信息的影响

张月， 肖彧， 常晶晶， 刘健， 王亚琼， 贺春燕, 何冰

(吉林农业大学资源与环境学院，长春 130118)

遥感技术使大范围实时监测蓝藻水华成为可能，但大气效应与太阳、地物及传感器的几何关系会影响辐射传输方程，从而对基于遥感指数的蓝藻信息提取产生影响，因此，探讨这些影响因子对藻华信息的提取精度有着积极意义。基于MODIS大气校正前后2种产品(MOD02和MOD09)，利用单波段、比值植被指数、归一化差值植被指数和归一化水体指数4种遥感指数对2006年全年太湖藻华信息进行提取，并定量分析了气溶胶光学厚度、太阳高度角和卫星观测角等因素对遥感指数的影响程度。结果表明：比值植被指数与归一化差值植被指数受大气影响程度较其他二者低，且比值植被指数对大气因素的敏感性较归一化差值植被指数低；气溶胶的光学厚度与太阳高度角在不同程度上对指数提取结果造成影响，因此利用遥感指数提取藻华信息时需谨慎，以避免误判。

大气校正；遥感指数；MODIS；太湖；藻华

0 引言

近年来，太湖水体污染与富营养化日趋严重，大部分水体处于中度甚至极度富营养状态，严重的富营养化常常诱发蓝藻水华。蓝藻水华暴发的同时，水体中叶绿素含量会显著升高，导致水体光谱特征发生变化。利用具有多波段、实时性强、可大面积同步观测等优势的遥感技术使大范围快速监测藻华动态成为可能。但是，藻华信息的获取常常受水文、气象及地形等因素的影响，造成藻华提取中的多种不确定性，因此近些年很多学者一直在探索能够快速准确获取藻华信息的方法。其中，某些学者根据光谱曲线的变化特征，利用某些波段的和、差、比值或归一化算法，设定相应阈值，进行藻类信息的提取，如徐京萍等[1]分别采用比值、归一化差值植被指数(normalized difference vegetation index,NDVI)和增强型植被指数(enhanced vegetation index,EVI)识别模式确定太湖蓝藻的分布范围；段洪涛等[2]基于不同遥感数据，包括MODIS/Terra，CBERS-2 CCD，ETM和IRS-P6 LISS3，采用单波段、波段差值及比值植被指数等方法，提取不同历史时期太湖蓝藻水华。这种基于遥感指数进行信息提取的方法简单可行、易于操作，但所获得的水质参数与遥感数据之间相关性往往难以保证。

卫星传感器接收到的电磁波在大气传输的过程中与大气相互作用，从而造成影像失真[3]；传感器本身在发射后也会随时间而逐渐衰减，又造成卫星接收到的数据不一致[4-5]。虽然在数据预处理阶段会进行辐射校正，但未必会完全去除大气等因素所带来的影响。这些因素究竟在多大程度上影响遥感指数以及各指数受影响程度的差异会如何影响藻华信息的提取精度等方面的研究还很少。本文考虑电磁辐射在大气中的传输过程，选取气溶胶的光学厚度(aerosol optical thickness,AOT)、太阳高度角及卫星观测角作为影响因子，基于藻华提取结果，并结合太湖站实测数据，对所采用的近红外单波段(near-infrared，NIR)、比值植被指数(ratio vegetation index,RVI)、NDVI和归一化水体指数(normalized difference water index,NDWI)4种遥感指数进行可靠性评价。

1 研究区概况及数据源

1.1 研究区概况

太湖位于长江三角洲南缘(E119°52′32″～120°36′10″,N30°55′44″～31°32′58″)，自东向西有东太湖、青口湾、贡湖、梅梁湖和竺山湖5个湖湾，是我国五大淡水湖之一。湖泊面积约2 338.1 km2，平均水深l.9 m，年平均温度15.3～16℃，年降水量950～1 250 mm[6]。太湖的主要功能包括饮用水源、农业灌溉、游览、航运、水产养殖及工业用水等。

1.2 数据源及其预处理

综合考虑时间分辨率、光谱分辨率及数据可用性等因素，本文选用MODIS数据。为了分析大气校正对提取太湖藻华信息的影响，本文利用MODIS/Terra提供的2种影像产品：未经过大气校正的大气上界辐射值产品(level-1b calibrated geolocated radiances,MOD02)和已去除大气影响的地表反射率产品(surface reflectance,MOD09)，作为提取蓝藻信息的基础数据。另外，还选用MODIS的地理定位数据产品(geolocation data set,MOD03)，并从中获取太阳高度角及卫星观测角数据，以及气溶胶产品(MODIS collection5 level2,MOD04)作为代表大气污染程度的参数。

为了对基于遥感指数提取藻华信息的结果进行精度评价，本文选用2006年太湖的实时水质观测数据湖泊浮游植物叶绿素浓度数值。该实测水质数据来自中国科学院太湖湖泊生态系统观测研究站，该站共包括32个常规监测点位，均匀分布于太湖湖区。本文所用到的叶绿素浓度为利用相关仪器对太湖上中下层水体混合样的测定，数据质量可靠。

为了保证所用图像的质量，本文对全年图像采用人工目视识别方法筛选掉上空被云层覆盖或存在较多雾霭的图像，并尽量保证所选时相呈现出一定的梯度，最终确定太湖上空天气状态较好的天数为47 d，并对这47 d的图像进行几何纠正、格式转换、重采样及图幅裁剪等预处理。

2 原理与方法

2.1 大气校正的影响因子

大气作为星载传感器与地球表层之间的介质层，其吸收和散射作用、大气程辐射、背景变化以及不同的观测几何等使成像光谱数据的信号组成非常复杂，因此消除大气对电磁波属性量的影响，恢复其在地球表层的本来面目，就成为定量遥感不可逃避的问题[7-8]。

AOT是表示气溶胶总含量的参数，可作为不断变化的大气状态中影响藻华信息提取的重要因素；在电磁信号的传输过程中，太阳、地物及传感器三者的几何关系不断地发生变化，这种几何关系的改变必然会使传感器接收到的信号由于角度的影响而失真。因此，本文选择AOT、太阳高度角和卫星观测角作为电磁辐射在大气传输过程中所受到的影响因素，对遥感指数提取藻华信息进行可靠性评价。

2.2 藻类水体的光谱特征

藻类的光谱特征是色素吸收与其细胞表面散射相互作用的结果，其波谱曲线的形态基本相似(图1)。不同藻类因细胞形状和色素含量组成的不同，其反射峰的具体位置和数值也有所变化[9]，集中表现出2个特征吸收峰和1个特征反射峰，因此可以利用相应波段上的这些特征关系进行藻华信息的提取。

图1 不同藻类浓度的水体反射光谱[10]Fig.1 Reflectance spectra of water bodies with different algae densities[10]

2.3 藻华信息的提取

根据藻类水体的光谱特征，本文选取NIR,RVI,NDVI及NDWI 4种遥感指数用于提取藻华信息。

1)近红外单波段(NIR)，植被的光谱曲线在近红外波段会出现“陡坡效应”，之后在近红外波段形成反射高台[11-13]，因此相关研究表明，近红外波段是区分蓝藻水华与浑浊、清洁水体的最佳波段。

2)比值植被指数(RVI)，定义为近红外波段和可见光波段的反射率之比，通过比值运算扩大强、弱反射率波段的差距，达到突出感兴趣地物的目的[14]。

3)归一化差值植被指数(NDVI)，定义为[15-16]

NDVI=(ρNIR-ρRed)/(ρNIR+ρRed) ,

(1)

式中:ρNIR代表近红外波段反射率；ρRed代表红光波段反射率。

4)归一化水体指数(NDWI)，定义为[17]

NDWI=(ρGreen-ρNIR)/(ρGreen+ρNIR) ,

(2)

式中ρGreen代表绿光波段反射率。

本研究利用上述4种遥感指数，借助太湖藻华的指数直方图，采用自选阈值法，分别对2006年太湖无云状态的MOD02和MOD09图像(大气校正前后)的藻华信息进行提取。在自选阈值法中，根据各指数直方图的具体变化趋势，由实验人员自行设定阈值。对于NIR，RVI和NDVI法，阈值通常选在直方图主峰的右下端，位于阈值右侧的像元为藻华像元；对于NDWI法，阈值常选在直方图主峰的左下端，位于阈值左侧的像元为藻华像元。

由于利用遥感指数提取藻华信息的精度与阈值有关，而阈值与直方图的形状和位置存在直接关系，直方图的形态又主要受大气因素的影响，因此为了判定大气等因素对遥感指数提取藻华信息结果的影响，本文利用大气校正前后设定的阈值与影响因子的相关性来判断遥感指数受大气校正的影响程度。首先，分别探讨3个影响因子与大气校正前后设定阈值的相关性，得到每个因子对藻华信息提取结果的影响程度；然后，综合讨论3个因子与设定阈值的相关性，得到3个因子对藻华信息提取结果的总体影响，从这2个方面来获得大气校正对4种遥感指数提取藻华信息结果的影响程度。

为了得到大气校正对遥感指数影响的可靠评价，本文利用2006年太湖站的实测水质数据，对4种遥感指数大气校正前后的藻华信息提取结果进行验证。具体验证方法为：在47 d的提取结果中，选取具有实测数据的天数；判断在32个实测点位上这些天数的提取结果是否正确，并统计出提取结果的正确率；得到4种遥感指数对大气校正前后图像提取藻华信息结果的精度，以获得较为可靠的遥感指数。

3 结果与分析

3.1 大气因素对遥感指数的影响

由于本文选用的4种遥感指数形式各不相同，加之受到大气因素的影响，其直方图的位置与形态各异，这样所设定的阈值对于每一景影像或是大气校正前后的同一景图像都是不同的，那么根据直方图的走势所设定的阈值即可作为判定大气校正对提取藻华信息的遥感指数影响的一种指示性因子。因此，本文对比了4种指数方法中大气校正前后阈值的均值和标准差(表1)。

表1 4种遥感指数中大气校正前后所设阈值的均值与标准差*MOD02为大气校正前的数据；MOD09为大气校正后的数据。Tab.1 Mean values and standard deviations of the thresholds before and after atmospheric correction for four indices

从表1可以看出，MOD02和MOD09阈值的均值都存在不同程度的差异，这种差别主要是由大气等因素的影响而导致直方图的位置发生变化而造成的。因此，在利用遥感指数提取藻华信息的过程中，大气因素是很重要的一方面。

为了检验大气校正在多大程度上对遥感指数提取藻华信息的结果产生影响，本文分别统计了AOT、太阳高度角、卫星观测角及4种指数中所设阈值的相关性。经计算发现，阈值与AOT和太阳高度角存在一定的相关性，但与卫星观测角却无明显的相关关系。后经查阅MODIS相关的数据资料发现MOD02和MOD09产品均已对卫星观测角做了粗校正，所以卫星观测角这一因素将不作为本文后续研究的对象。

本文分别统计了AOT和太阳高度角与阈值的相关性，如表2所示。

表2 4种遥感指数中大气校正前后所设阈值与AOT和太阳高度角的相关性*MOD02为大气校正前的数据；MOD09为大气校正后的数据。Tab.2 Relationships between the thresholds before and after atmospheric correction and AOT,solar zenith angle for four indices

考虑到影响因子之间并不相互独立，为得到相对全面的统计结果，又探讨了AOT和太阳高度角对遥感指数的综合影响，如图2所示。

从图2(a)可以看出，单波段法大气校正前AOT与太阳高度角对MOD02产品阈值的选取影响较大，综合相关系数为0.82；大气校正后2个因素与MOD09产品的阈值相关性减小，综合相关系数为0.53，这说明对于近红外波段而言，MOD09产品在一定程度上去除了AOT与太阳高度角的影响，但并没有完全消除其影响。另外，大气校正前后阈值与AOT都呈正相关趋势，相关系数分别为0.56和0.40，即阈值随着AOT的增大而增大，但两者都未通过95%的置信度验证。这是由于AOT的值越大，其对太阳辐射的散射作用也越强，导致影像的DN值偏大，直方图右移，所以阈值也会相应增加。而大气校正前后阈值与太阳高度角呈负相关趋势，相关系数分别为-0.80和-0.50，即太阳高度角越大，阈值反而越小，且两者均通过97%的置信度验证。因为太阳高度角越大，太阳辐射到达地面所经过的路径就越短，受大气程辐射的影响就越小，所以直方图右移的距离也越小，阈值也会相应地减小。可见，只凭借近红外波段并不能消除大气等因素的影响，所以利用此方法提取的藻华信息并不可靠。

(a) NIR法(b) RVI法

(c) NDVI法 (d) NDWI法

图2 大气校正前后AOT与太阳高度角和阈值的相关性

Fig.2 Relationships between AOT and solar zenith angle, thresholds before and after atmospheric correction

从图2(b)可以看出，RVI法的AOT与太阳高度角对大气校正前后阈值的选取影响程度相近，综合相关系数分别为0.45和0.44。大气校正前AOT与阈值均呈正相关，相关系数分别为0.27和0.04，但两者均未通过95%的置信度验证。而大气校正前后太阳高度角与阈值仍呈负相关，相关系数分别为-0.45和-0.40，且两者均通过97%的置信度验证，这与单波段法所表现的趋势相一致。不过，RVI法中阈值与2个因子的相关性明显较单波段法中降低了很多，说明这种比值形式可以消除部分大气等因素造成的影响。但大气校正前后阈值与2个因子的相关性并没有明显变化，也说明该方法对大气和太阳高度角的变化不十分敏感。

从图2(c)可以看出，NDVI法的大气校正前AOT和太阳高度角对阈值选取影响较大，两者与阈值的综合相关系数为0.42，而大气校正后的相关系数降低到0.34。另外，大气校正前后阈值与AOT均呈正相关，相关系数分别为0.18和0.11，但两者均未通过95%置信度验证；大气校正前后阈值与太阳高度角都呈负相关，相关系数分别为-0.42和-0.33，校正前通过97%置信度验证，而校正后未通过95%置信度验证。可以看出，NDVI法中可以部分去除大气等因素的影响，而且大气校正后阈值与2个因子的相关性最小，这说明NDVI对AOT和太阳高度角的变化较为敏感。

从图2(d)可以看出， NDWI法与前面2种植被指数法相比，在大气校正前后阈值受AOT与太阳高度角的影响都明显增大，综合相关系数分别为0.57和0.46。可以看出，NDWI受上述因子的影响较大，对大气等因素的变化较为敏感。另外，该方法中大气校正前后阈值与AOT均呈负相关，相关系数分别为-0.34和-0.23，但两者均未通过95%的置信度验证；大气校正前后阈值与太阳高度角都呈正相关，相关系数分别为0.58和0.46，而且均已通过98%的置信度验证。可以看出，NDWI方法中阈值与2个因子的相关趋势与前面3种方法相反，这点是由于其公式本身的结构所致。

综上所述，AOT和太阳高度角对这4种遥感指数都会造成不同程度的影响。其中，RVI与NDVI法受大气因素的影响较小，但NDVI较RVI来说，对上述因素更加敏感，而RVI表现得较为稳定，大气校正前后的区别并不大；单波段与NDWI法受大气因素的影响较大，且大气校正前后的结果差异较大，对大气因素十分敏感。

3.2 遥感指数的可靠性评价

利用2006年太湖站叶绿素a浓度实测数据对遥感指数提取藻华信息的结果进行可靠性分析。在本文选取的47 d数据中，与太湖站实测数据相重合的天数有41 d。根据湖泊营养等级划分标准，叶绿素a浓度≤3 μg/L定义为贫营养化，叶绿素a浓度在3～11 μg/L之间的定义为中营养化，叶绿素a浓度为11 μg/L及11～78 μg/L之间的定义为富营养化，叶绿素a浓度≥78 μg/L定义为超富营养化[18]。据此标准对4种指数大气校正前后的藻华信息提取结果进行精度验证。

在32个实测点位中，对于NIR法，大气校正前后结果与实测值的符合率分别为14%和21%；对于RVI法，大气校正前后结果与实测值的符合率分别为68%和71%；对于NDVI法，大气校正前后结果与实测值的符合率分别为50%和57%；对于NDWI法，大气校正前后结果与实测值的符合率分别为21%和29%。可见，利用4种指数提取的藻华信息结果中，RVI法所得结果的精度较高，其次是NDVI的提取结果，两者都可以大体反映出湖泊的富营养化状况，而且RVI法在大气校正前后提取结果的精度差别不大，表明该方法对大气因素的影响相对不敏感；NDWI的提取结果精度较低，利用NIR法获得的结果精度最差，甚至于对于湖中有些达到超富营养化指标的点都没被检测出。这些利用实测水质数据进行验证的结果与大气因素对遥感指数影响的讨论结果是一致的。

4 结论

1)NIR法与NDWI法所设阈值和AOT及太阳高度角的相关性较高，而RVI和NDVI法所设阈值与两者相关性较低，说明RVI和NDVI法可以部分去除大气因素的影响，用其提取藻华信息的精度较高。

2)RVI法在校正前后与影响因子的相关性差异并不明显，可见该指数对大气因素的影响不敏感。

3)本文选用的全年47 d图像数据虽有限，却可在一定程度上支持本文的统计分析，但为了进一步得出较为可靠的结论，后续研究拟选用更长时间序列的图像作为数据源。

4)对于这4种遥感指数，大气校正后提取藻华信息时所设定的阈值与大气因素间仍存在相关性，这其中的原因还需继续探索。

[1] 徐京萍,张柏,李方,等.基于MODIS数据的太湖藻华水体识别模式[J].湖泊科学,2008,20(2):191-195. Xu J P,Zhang B,Li F,et al.Detecting modes of cyanobacteria bloom using MODIS data in Lake Taihu[J].Journal of Lake Sciences,2008,20(2):191-195.

[2] 段洪涛,张寿选,张渊智.太湖蓝藻水华遥感监测方法[J].湖泊科学,2008,20(2):145-152. Duan H T,Zhang S X,Zhang Y Z.Cyanobacteria bloom monitoring with remote sensing in Lake Taihu[J].Journal of Lake Sciences,2008,20(2):145-152.

[3] 梅安新,彭望琭,秦其明,等.遥感导论[M].北京:高等教育出版社,2001:28-33. Mei A X,Peng W L,Qin Q M,et al.An Introduction to Remote Sensing[M].Beijing:Higher Education Press,2001:28-33.

[4] Staylor W F.Degradation rates of the AVHRR visible channel for the NOAA 6,7,and 9 spacecraft[J].Journal of Atmospheric and Oceanic Technology,1990,7(3):411-423.

[5] Chander G,Markham B.Revised Landsat-5 TM radiometric calibration procedures and post calibration dynamic ranges[J].IEEE Transactions on Geoscience and Remote Sensing,2003,41(11):2674-2677.

[6] 秦伯强,胡维平,陈伟民,等.太湖水环境演化过程与机理[M].北京:科学出版社,2004:1-8. Qin B Q,Hu W P,Chen W M,et al.The Process and Mechanism of Water Environment Evolution in Lake Taihu[M].Beijing:Science Press,2004:1-8.

[7] 徐希孺.遥感物理[M].北京:北京大学出版社,2005:292-297. Xu X R.Remote Sensing Physics[M].Beijing:Peking University Press,2005:292-297.

[8] Richer R.Geo-atmospheric processing of airborne imaging spectrometry data[J].International Journal of Remote Sensing,2002,23(13):2631-2649.

[9] Dekker A G.The use of the thematic mapper for the analysis of eutrophic lakes:A case study in the Netherlands[J].International Journal of Remote Sensing,1993,14(5):799-822.

[10]Thiemann S,Kaufmann H.Determination of chlorophyll content and trophic state of lakes using field spectrometer and IRS-1C satellite data in the Mecklenburg Lake district,Germany[J].Remote Sensing of Environment,2000,73(2):227-235.

[11]Dall’Olmo G,Gitelson A A,Rundquist D C,et al.Assessing the potential of SeaWIFS and MODIS for estimating chlorophyll concentration in turbid productive waters using red and near-infrared bands[J].Remote Sensing and Environment,2005,96(2):176-187.

[12]Reinart A,Kutser T.Comparison of different satellite sensors in detecting cyanobacterial bloom events in the Baltic Sea[J].Remote Sensing and Environment,2006,102(1/2):74-85.

[13]Koponen S,Pulliainen J,Kallio K,et al.Lake water quality classification with airborne hyperspectral spectrometer and simulated MERIS data[J].Remote Sensing of Environment,2002,79(1):51-59.

[14]顾亮,张玉超,钱新,等.遥感指数在湖泊叶绿素a反演研究中的应用[J].环境保护科学,2008,34(2):53-56. Gu L,Zhang Y C,Qian X,et al.Application of remote sensing index in retrieving chlorophyll-a concentration of lakes[J].Environmental Protection Science,2008,34(2):53-56.

[15]Rouse J W,Haas D W.Monitoring the Vernal Advancement and Retrogradation(Greenwave Effect)of Natural Vegetation[R].Greenbelt,Md:NASA Goddard Space Flight Cent,1974:11-13.

[16]Tucker C J.Red and photographic infrared linear combinations for monitoring vegetation[J].Remote Sensing of Environment,1979,8(2):127-150.

[17]赵英时.遥感应用分析原理与方法[M].北京:科学出版社,2003:121-124. Zhao Y S.The Principle and Method of Analysis of Remote Sensing Application[M].Beijing:Science Press,2003:121-124.

[18]金相灿,刘明亮.中国湖泊富营养化[M].北京:中国环境科学出版社,1990:51-54. Jin X C,Liu M L.Lake Eutrophication in China[M].Beijing:China Environment Science Press,1990:51-54.

(责任编辑：邢宇)

Effects of atmospheric correction on extracting cyanobacteria bloom information based on remote sensing indices

ZHANG Yue， XIAO Yu, CHANG Jingjing, LIU Jian, WANG Yaqiong, HE Chunyan， HE Bing

(CollegeofResourcesandEnvironment,JilinAgriculturalUniversity,Changchun130118,China)

Accurate maps of the spatial and temporal dynamics of cyanobacteria blooms are urgently needed in the Taihu Lake, which is a drinking water resource for cities around the lake. Satellite imagery can be used as a cost-effective method for remotely monitor trends in cyanobacteria blooms. However, atmospheric effects and sun-target-satellite geometry can make multi-temporal images of blooms inconsistent with each other and cause uncertainties in bloom data extraction. In this paper, four remote sensing approaches were applied to retrieve cyanobacteria bloom information in the Taihu Lake during the whole year of 2006. These approaches included the near infrared (NIR) single band data, the ratio vegetation index (RVI), the normalized difference vegetation index (NDVI), and the normalized difference water index(NDWI). Two kinds of MODIS (moderate-resolution imaging spectroradiometer) products, i.e., the top-of-atmosphere (TOA) radiance images without atmospheric correction (MOD02) and the surface reflectance images with atmospheric correction (MOD09), were selected as the data source. Furthermore, three factors comprising the aerosol optical thickness (AOT), the solar zenith angle, and the sensor zenith angle were chosen as indicators of radiation transfer processes to evaluate their influence on the remote sensing indices during the extraction of cyanobacteria bloom information. Specifically, the relationships between retrieval threshold values and the three indicators were analyzed to evaluate the temporal influences quantitatively. The results showed that: ① these three factors had more impact on NIR single band data and the NDWI, and less impact on the RVI and NDVI (RVI was less sensitive than NDVI in regard to the atmospheric factors); ② both AOT and the solar zenith angle were positively correlated with the threshold values. Whether or not these relationships hold water for other cases needs to be further examined. It is thus held that these four remote sensing approaches should be used carefully for monitoring cyanobacteria blooms when atmospheric correction is not applied.

atmospheric correction; remote sensing indices; MODIS; Taihu Lake; cyanobacteria bloom

2014-04-01；

2014-08-04

吉林农业大学国家级大学生创新创业训练计划项目“基于遥感指数的藻华时空变化研究”(编号：201310193007 )和吉林农业大学科研启动基金项目“蓝藻水华信息提取中遥感指数的可靠性研究”(编号：201240)共同资助。

10.6046/gtzyyg.2015.03.02

张月,肖彧,常晶晶，等.大气校正对基于遥感指数提取藻华信息的影响[J].国土资源遥感,2015,27(3):7-12.(Zhang Y,Xiao Y,Chang J J,et al.Effects of atmospheric correction on extracting cyanobacteria bloom information based on remote sensing indices[J].Remote Sensing for Land and Resources,2015,27(3):7-12.)

TP 79

A

1001-070X(2015)03-0007-06

张月(1985-)，女，硕士，讲师，主要从事遥感技术应用研究。Email: lisa_ling7892002@163.com。