结合实测光谱数据的珠江口水质遥感监测

解学通, 吴志峰，王　婧, 黄彦歌, 张棋斐

(广州大学 地理科学学院, 广东 广州　510006)



结合实测光谱数据的珠江口水质遥感监测

解学通, 吴志峰，王婧, 黄彦歌, 张棋斐

(广州大学 地理科学学院, 广东 广州510006)

河口近岸海域面积广阔，生物生产力高，受人类活动及陆源物质的影响较大，是自然因素和人为因素共同影响水体生态环境的典型区域.文章研究了珠江口近岸海域水体叶绿素a浓度和悬浮物浓度的遥感定量反演方法，并在实验水域验证了现有遥感反演模型的适用性；结合实测数据和遥感影像数据，通过统计分析建立珠江口近岸水域的叶绿素a浓度和悬浮物浓度的反演模型；利用Landsat8遥感影像反演了珠江口近岸海域叶绿素a浓度和悬浮物浓度的分布情况，提取珠江口近岸水域面状水质信息；反演结果符合理论分析和实际情况，证明本研究建立的水质参数遥感反演模型及方法适用于珠江口近岸海域水质监测.

定量遥感方法; 叶绿素a; 悬浮物; 珠江口

结合遥感数据进行水质监测的方法，是目前陆地水体和海洋水体的主流研究策略.河口近岸海域是陆地与海洋交汇的场所，承担着海陆之间物质和能量交换的重要功能.我国河流众多，地表径流是影响河口海域生态环境的重要因素.近岸海域的水体水质受径流量、季风、潮汐和温度等季相因素的影响，时空变异性大，因而传统监测方法难以满足其时空覆盖率的要求.

珠江口近岸海域的水质时空变化大，是人为因素和自然因素长期共同作用的结果.将卫星遥感方法应用于珠江口近岸水域动态监测，能更加宏观、快捷、准确地反映其水体水质情况.相对于传统定点采样分析方法，遥感水质监测方法具有时空延展性，是河口水质研究的一个发展趋势.

在海洋遥感领域，自然水体按其所含物质成分的差异被划分为2类，即一类水体和二类水体，开放海域属于一类水体，河口近海海域属于二类水体.二类水体中除了浮游植物及其附属物外，还含有较多的悬浮无机物和可溶性有机物(黄色物质)[1].水体中不同物质成分的吸收和散射特性存在差异，进而产生不同的反射光谱曲线[2].水质遥感正是基于这一原理，通过建立水体反射率和水质指标浓度之间的定量函数关系，实现水质参数的定量反演[3].不同研究者提出了从全球到区域范围的多种水色参数反演算法，这些方法可归纳为经验方法、半经验方法和分析方法3类.

经验方法主要利用遥感影像辐亮度或反射率与水质参数地面现场观测数据之间的经验函数关系，通过相关分析寻找最优波段或波段组合，并建立遥感反射率数据与实测水质参数之间的定量模型，进而实现水质参数的反演.MOREL[4]通过对大西洋热带海域和太平洋的实测研究，结合统计分析建立了一个海水反演经验关系模型.O′REILLY等[5]建立了NASA OC4v4业务化算法用于反演SeaWiFS卫星一类水体的叶绿素a(Chl-a)浓度，但在反演二类水体时效果欠佳.TASSAN[6]构建了基于三分量的近岸水体水色模型，并使用SeaWiFS数据反演了浮游植物色素浓聚物、悬浮物和黄色物质的浓度.GITELSON[7]进行了大量归一化荧光高度法研究，该算法在许多海区取得了较高的反演精度.王繁等[8]利用MERIS遥感数据，采用简单线性回归模型反演了河口悬浮物浓度指数，建立简单统计回归模型.光洁等[9]利用二类水体的Landsat7 ETM遥感影像,运用模糊回归分析方法,建立反射率和悬浮物浓度之间的指数模型.

半经验方法则是以辐射传输模型为理论依据，建立离水辐射率与水体中各物质成分的吸收和散射系数之间的定量关系，利用水体反射率反推各组分浓度.HE等[10]利用高光谱半分析模型模拟了叶绿素a、悬浮物和黄色物质的遥感反射率，建立了一种叶绿素a的反演算法.CARDER等[11]基于遥感反射率和生物光学特征模型建立了半经验算法，并利用MODIS数据反演了叶绿素a、浮游植物和可溶有色物质的浓度.吴敏等[12]利用MODIS遥感影像，对巢湖水域叶绿素a、悬浮物和透明度等参数进行了定量提取研究,结果发现叶绿素a与某些波段反射率比值呈现出明显的对数关系.

分析方法是一种完全基于辐射传输理论的水质参数定量遥感方法，它通过辐射传输方程建立离水辐射率与水体中各组分浓度之间的定量关系，并通过求解辐射传输方程获得各组分浓度.LAHET等[13]建立了可溶性有机物、浮游植物和矿物颗粒3要素的遥感反演模型，并提取了近岸水体的叶绿素a浓度.MOORE等[14]利用不同波段的水表面反射比的理论关系模型来反演悬浮物浓度.DEKKER[15]根据实地测量的水体光学特征，建立了光学分析模型，并在此基础上导出了悬浮物浓度估算算法.

以上3类方法各有其优点和局限性，目前经验方法和半经验方法在水质遥感监测中应用较广.本文将尝试采用经验方法，并结合实测光谱数据，进行珠江口近岸海域的水质参数的遥感建模与反演研究.

1　实验数据与研究方法

1.1数据采集与分析

1.1.1实测数据

本研究采用2015年11月19日及20日广州市海洋与渔业监测中心的水质监测数据，以及同步测量的水体高光谱数据进行建模与反演研究，16个采样点分布见图1，经纬度坐标见表1.光谱测量采用美国ASD公司生产的高分辨率双通道光谱仪.实验期间，11月19日天空云量较多,11月20日云量较少，风力2～3级,水面风浪较小.水体光谱测量在船上进行,测量时光纤探头垂直于水面，探头距水面约1.2 m.叶绿素a的测定采用分光光度法，悬浮物用GF/C滤纸过滤,采用电子天平称重法测定.选取2015年10月18号广州幅Landsat-8 OIL影像作为准同步遥感实验数据，Landsat-8轨道设计为与太阳同步的近极地圆形轨道，以同一地方时、同一方向通过同一地点，保证了遥感观测条件的基本一致，因此使用准同步影像时，影响珠江入海口水质的主要因素是潮汐、盐度和径流量等.经过对比2015年11月19日和2015年10月18日中国海事服务网的潮汐监测数据，可确定实测数据和遥感影像拍摄的时间段内潮高近似，故可认为潮汐对水质监测影响不大；近岸水域的海水盐度主要受径流量影响，10月和11月都属于珠江的平水期，径流量变化也不大，因此准同步影像可用于水质参数反演实验.

图1　珠江近岸水域水质监测采样点

Fig.1Sampling points of water quality monitoring on Pearl River coastal waters

表1珠江近岸水域水质监测采样点坐标

Table 1Coordinate of Pearl River coastal water quality monitoring sampling points

采样点编号经纬度采样点编号经纬度1113.590°E,22.785°N9113.738°E,22.565°N2113.632°E,22.759°N10113.708°E,22.489°N3113.664°E,22.721°N11113.711°E,22.534°N4113.735°E,22.642°N12113.633°E,22.545°N5113.749°E,22.616°N13113.683°E,22.567°N6113.765°E,22.585°N14113.659°E,22.612°N7113.699°E,22.620°N15113.629°E,22.671°N8113.707°E,22.591°N16113.572°E,22.733°N

1.1.2实测光谱数据处理

2015年11月19日与20日珠江近岸水域16个采样点的实测光谱数据，经过计算后得到水体反射率(Rrs)，16条水体反射率光谱曲线见图2，16条水体光谱曲线分别对应图1中的16个水质实测点，编号为#1～#16.因叶绿素a和悬浮物主要对波长范围在400～900 nm波段的水体反射率产生影响，故本文采用了该波段域进行研究.图2中反射率光谱曲线峰值位置具有明显的红移现象，因此可认为珠江口近岸水域为典型的二类水体.

图2　2015年11月珠江口近岸水域实测光谱反射率

Fig.2Measured spectral reflectance of coastal waters in Pearl River estuary in November, 2015

1.2研究方法

本研究以珠江口近岸水域作为实验区，以叶绿素a和悬浮物为遥感监测主要研究对象.研究中使用的数据包括地面水体光谱测量数据、Landsat-8卫星遥感数据和水质参数实测数据.

采用研究方法为经验模式，建立水质参数的遥感定量估测模型，用于反演珠江口近岸水域水质指标.经验方法是水质遥感反演中应用最广泛的一种模式，该方法是将实测数据与遥感数据结合进行相关性分析，找出水体光谱中对水体组分响应较高的波段，根据分析结果，选择相关系数较高的波段进行比值运算，构建可用于反演水质参数的模型.本研究拟采用的反演模型表达式如下[7]：

(1)

式中，Y为叶绿素a或悬浮物浓度，RN1和RN2为敏感波段1和波段2的反射率，α和β为模型系数，模型构建就是利用实测数据寻找最佳波段组合并确定模型系数α和β.

中水质参数反演模型的构建和应用如下：

(1)分析叶绿素a和悬浮物的光谱特征,结合卫星遥感数据与地面实测数据的统计分析,选择用于反演水体中叶绿素a和悬浮物浓度的最佳波段和波段组合.

(2)使用统计回归分析方法，根据已有模型，建立或分析叶绿素a和悬浮物的遥感定量估测模型，研究反演模型的精度和适用范围.

(3)应用模型和算法提取珠江口近岸海域的叶绿素a浓度和悬浮物浓度图像,分析珠江口水域水质变异的时空特征.

2　建模与反演

2.1敏感波段分析

分析表明，水质参数与水体反射光谱曲线的某个单一波段的相关性均不大[16]，因此本文在相关性分析的基础上，尝试利用敏感波段比值法构建遥感反射率数据与叶绿素a和悬浮物浓度之间的定量函数关系，进而实现参数反演.

为了找出指示叶绿素a和悬浮物含量的敏感性波段,优化波段组合,本研究对水体反射率进行标准差归一化处理[17]，计算归一化水体反射率RrsN与叶绿素a和悬浮物浓度的Pearson相关系数，分析结果见图3.图中显示水体的总叶绿素a浓度与RrsN的相关性较好，在400～580 nm的范围内相关系数为正，580～800 nm范围内相关系数为负，极小极大值分别为-0.760 0和0.816 9.水体的总悬浮物浓度与RrsN的相关性也很突出，在480～550 nm范围内和650～800 nm范围内，相关系数极值分别为-0.799 8和0.756 6.

图3　归一化水体反射率与叶绿素a和悬浮物浓度相关系数

Fig.3Correlation coefficient of the normalized water spectral reflectance and chlorophyll and suspended sediment concentration

2.2实测数据建模

2.2.1叶绿素a浓度估算模型

由归一化反射率与叶绿素a的相关系数计算结果来看，珠江口实测光谱反射率与叶绿素a浓度相关系数的2个峰值分别位于520 nm和600 nm，说明这2个波长的遥感反射率对浓度变化最为敏感，因此，利用波长520 nm和600 nm的反射率构建珠江口水体叶绿素a浓度反演模型可靠性较高.最终建立模型如下：

(2)

式中，C为叶绿素a浓度，RN520和RN600为波长520 nm和600 nm处的反射率，拟合结果见图4，R2=0.549 5，由于数据较少以及其他条件影响，测定系数偏小，但R2仍然大于0.5，模型拟合效果可以接受，根据统计学相关理论，回归效果基本满足建模要求.

图4　水体归一化反射率波段比值与叶绿素a浓度拟合模型

Fig.4Fitting model of normalized reflectance band ratio and chlorophyll concentration of water body

2.2.2悬浮物浓度估算模型

对实测光谱反射率进行归一化处理后，归一化反射率RrsN和悬浮物浓度相关系数2个峰值分别位于波长567 nm和683 nm处，说明这2个波长的遥感反射率对浓度变化最为敏感，且此波段处大气校正后的结果较好，利用567 nm和683 nm波长的归一化反射率可建立珠江口水体悬浮物浓度反演模型如下：

(3)

式中，lnSS为悬浮物浓度指数，RrsN683和RrsN567为波长567 nm和683 nm处的归一化反射率，拟合结果见图5，R2=0.713 9表示模型可对71%的

图5　水体归一化反射率比值与悬浮物浓度拟合模型

Fig.5Fitting model of normalized reflectance band ratio and suspended matter concentration of water body

悬浮物浓度变化进行响应，根据统计学理论，R2大于0.7的模型属可靠性较好的范围，可用于反演悬浮物浓度信息.

2.3遥感图像反演

本文利用Landsat-8卫星遥感数据，珠江口实测光谱数据的叶绿素a浓度反演结果，最终确定最佳反演波段比值为Band3/Band2，模型如下：

C=24.559 0·(B3·B2-1)-2.081 8

(10)

式中，C为叶绿素a浓度， B3和B2为OLI的第3波段和第2波段.反演得到2015年10月18日叶绿素a浓度图像,见图6.从叶绿素a浓度反演图中可看出，整个珠江近岸海域的叶绿素a分布呈现西高东低的趋势，叶绿素a浓度较高的区域集中于入海口的左岸.这是因为该区域集中了珠江径流的大部分支流河口，径流中溶解的营养物质较多，为浮游植物生长提供了条件.

图6　珠江口叶绿素a浓度反演图

Fig.6Inversion map of chlorophyll concentration in the Pearl River estuary

根据珠江口实测光谱数据的悬浮物浓度反演模型，悬浮物浓度反演的最佳波长和landsat8 OLI数据波段波长比对，确定最佳反演波段比值为Band4/Band3，模型如下：

lnSS=2.738 1·BS+1.317 6

(11)

式中，SS为悬浮物浓度，BS= Band4·Band3-1，Band4和Band3为OLI的第4波段和第3波段.反演得到2015年10月18日悬浮物浓度图像,见图7.悬浮物集中的区域主要在珠江入海口的左岸，由于珠江入海口位于北半球，在地转偏向力的作用下，北半球的河流将会相对于其运动方向向右偏转，即右岸遭受侵蚀，左岸接受堆积，因此河水携带的泥沙悬浮物多数聚集于左岸，故珠江近岸水域的悬浮物浓度分布情况符合水文学理论.

图7　珠江口悬浮物浓度反演图

Fig.7Inversion map of suspended matter concentration in the Pearl River estuary

3　结　论

河口近岸水域属二类水体，与深海水域的一类水体相比，易受人为因素和气候条件影响，生态环境变异性较大，水体构成组分受时空影响有着很大的差异.本文分析了二类水体遥感定量研究的方法，基于建立了珠江口近岸水域的遥感水质指标估算模型，得到的结论如下：

(1)研究使用了实测数据和遥感数据相结合的方法，进行了珠江近岸海域叶绿素a和悬浮物浓度的遥感方法定量研究，建立了适用于该区域的遥感水质反演模型，提取了水体水质参数的面状及宏观分布趋势.水质遥感反演方法有利于监测水质参数在空间和时间上的变化情况，发现常规方法难以揭示的污染源位置及污染物扩散规律等信息.

(2)本研究获取的数据量较少，建立的珠江河口近岸水体叶绿素a和悬浮物浓度反演模型为半分析回归模型.在完成更多数据采集后，将进行水体化学需氧量、总含氮量和总含磷量的定量分析，研究以上组分浓度对水体光谱特征的影响，根据2者之间对应关系的辐射传输方程，构建适用于珠江口近岸水域的水质反演分析模型.

(3)因数据采集时间天气条件制约，采用准同步ETM遥感影像，实现了主要水质参数的反演，获得了叶绿素a和悬浮物浓度的面状分布信息.对影像中叶绿素a和悬浮物浓度分布自西北向东南趋于降低的情况进行分析后，确定反演结果符合水文学和地理学的相关理论，且与实测数据反映的趋势一致，可认为本研究建立的遥感水质反演方法适用于珠江口近岸污染物监测.

致谢：本文所用叶绿素和悬浮物浓度实测数据由广州市海洋环境监测中心提供，在此表示衷心感谢！

[1]VOLPE V, SILVESTRI S, MARANI M. Remote sensing retrieval of suspended sediment concentration in shallow waters[J]. Remote Sens Environ, 2011, 115(1):44-54.

[2]于德浩, 王艳红, 邓正栋,等. 内陆水体水质遥感监测技术研究进展[J]. 中国给水排水, 2008, 24(22):12-16.

YU D H, WANG Y H, DENG Z D, et al. Research progress in remote sensing technology for inland water quality monitoring[J]. China Water Wastew, 2008, 24(22):12-16.

[3]王云鹏, 闵育顺, 傅家谟,等. 水体污染的遥感方法及在珠江广州河段水污染监测中的应用[J]. 遥感学报, 2001, 5(6):460-465,485.

WANG Y P,MIN Y S, FU J M, et al. Remote sensing method of water pollution and its application on water pollution monitoring in Guangzhou section of pearl river[J]. J Remote Sens, 2001, 5(6):460-465,485.

[4]MOREL A. In-water and remote measurements of ocean color[J]. Bound-Lay Meteorol, 1980, 18(2):177-201.

[5]O′REILLY J E, MARITORENA S, MITCHELL B G, et al. Ocean color chlorophyll algorithms for SeaWiFS[J]. J Geophys Res Atmos, 1998, 103(C11):24937-24950.

[6]TASSAN S. Local algorithms using SeaWiFS data for the retrieval of phytoplankton, pigments, suspended sediment, and yellow substance in coastal waters[J]. Appl Opt, 1994, 33(12):2369-2378.

[7]GITELSON A. The peak near 700 nm on reflectance spectra of algae and water: Relationships of its magnitude and position with chlorophyll concentration[J]. Int J Remote Sens, 1992, 13(17):3367-3373.

[8]王繁，周斌，徐建明,等. 基于实测光谱的杭州湾悬浮物浓度遥感反演模式[J].环境科学，2008，29(11):3022-3026.

WANG F,ZHOU B,XU J M, et al.Remote sensing inversion model of suspended particles concentration in Hangzhou bay based on in situ measurement spectrum[J].Environ Sci, 2008，29(11):3022-3026.

[9]光洁, 韦玉春, 黄家柱,等. 分季节的太湖悬浮物遥感估测模型研究[J]. 湖泊科学, 2007, 19(3):241-249.

GUANG J, WEI Y C, HUANG J Z, et al. Seasonal suspended sediment estimating models in lake Taihu using remote sensing data[J]. J Lake Sci, 2007, 19(3):241-249.

[10]HE M X, LIU Z S, DU K P, et al. Retrieval of chlorophyll from remote-sensing reflectance in the China seas[J]. Appl Opt, 2000, 39(15):2467-2474.

[11]CARDER K L, CHEN F R, LEE Z P, et al. Semianalytic moderate-resolution imaging spectrometer algorithms for chlorophyll A and absorption with bio-optical domains based on nitrate-depletion temperatures[J]. J Geophys Res, 1999, 104(104):5403-5421.

[12]吴敏, 王学军. 应用MODIS遥感数据监测巢湖水质[J]. 湖泊科学, 2005, 17(2):110-113.

WU M, WANG X J.Application of satellite MODIS in monitoring the water quality of lake Chaohu[J]. J Lake Sci, 2005, 17(2):110-113.

[13]LAHET F, OUILLON S, FORGET P. A three-component model of ocean color and its application in the Ebro River month area[J]. Remote Sens Environ, 2000, 72(2):181-190.

[14]MOORE G F, AIKEN J, LAVENDER S J. The atmospheric correction of water colour and the quantitative retrieval of suspended particulate matter in Case II waters: Application to MERIS[J]. Int J Remote Sens, 1999, 20(9):1713-1733.

[15]DEKKER A G, VOS R J, PETERS S W M. Analytical algorithms for lake water TSM estimation for retrospective analyses of TM and SPOT sensor data[J]. Int J Remote Sens, 2002, 23(1):15-35.

[16]GIN K Y, KOH S T, LIN I I. Spectral irradiance profiles of suspended marine clay for the estimation of suspended sediment concentration in tropical waters[J]. Int J Remote Sens, 2003, 24(16):3235-3245.

[17]DOXARAN D, FROIDEFOND J M, CASTAING P. A reflectance band ratio used to estimate suspended matter concentrations in sediment-dominated coastal waters[J]. Int J Remote Sens, 2002, 23(23):5079-5085.

【责任编辑： 孙向荣】

Remote sensing monitoring on water quality of coastal waters in the Pearl River estuary based on measured spectral data

XIE Xue-tong, WU Zhi-feng, WANG Jing, HUANG Yan-ge, ZHANG Qi-fei

(School of Geographic Sciences, Guangzhou University, Guangzhou 510006, China)

The broad area of estuarine and coastal waters is characterized with high biological productivity. It is a typical area ecologically affected by human activities and the terrestrial material. In this paper, the remote sensing inversion model for the concentration of chlorophyll a and suspended matter of coastal waters in the Pearl River estuary is analyzed, and the applicability of the existing remote sensing retrieval model for chlorophyll a concentration and suspended matter concentration in experimental regions is validated. Based on the combination of measured data and remote sensing image data, we adopt statistical analysis methods to establish the retrieval model for chlorophyll a concentration and suspended matter concentration of coastal waters in the Pearl River estuary. Landsat 8 inverseion image is utilized to reflect the distribution of chlorophyll a concentration, surface water quality information and suspended matter concentration in coastal waters of the Pearl River estuary. The inversion results being in accordance with the theoretical analysis and the actual situation, it is proved that the remote sensing retrieval model of water quality parameter established in this study can be applied to water quality monitoring for coastal waters in the Pearl River estuary.

quantitative remote sensing method; chlorophyll a; suspended matter; the Pearl River estuary

2016-06-15;

2016-06-27

国家自然科学基金资助项目(41476152)；广州市产学研协同创新重大专项资助项目(201508020109)

解学通(1975-)，男，副教授，博士． E-mail: xtxie2013@163.com

1671- 4229(2016)04-0073-06

TP 79;P 343.5

A