基于MODIS陆地波段的近岸水体浊度遥感方法

王建国，陈树果，张亭禄

（中国海洋大学 信息科学与工程学院海洋技术系，山东　青岛　266100）

基于MODIS陆地波段的近岸水体浊度遥感方法

王建国，陈树果，张亭禄

（中国海洋大学 信息科学与工程学院海洋技术系，山东青岛266100）

利用MODIS陆地波段（469 nm，555 nm和645 nm）数据，建立了近岸水体浊度的遥感反演方法，并以渤海为例，在采取严格的时空匹配方法的基础上，利用现场测量浊度数据对反演结果进行了印证。印证结果显示，基于陆地波段的红绿波段比值反演算法（QAA-RGR反演算法）的反演结果相对误差约为12.7%，标准QAAv5反演算法的反演结果相对误差约为26.4%，采用陆地波段数据的QAA-RGR反演算法反演的结果更可靠。另外，基于陆地波段的反演结果具有更高的空间分辨率，能更好地体现浊度的细节分布特征，如辽东湾南端的沙脊群落的分布。最后，本研究利用QAA-RGR反演算法构建了渤海浊度的季节分布特征，分布特征合理。

MODIS；陆地波段；浊度；遥感反演；渤海

浊度是重要的水质参数之一，也是悬浮体浓度的指标因子，广泛应用于近岸及河口区域悬浮体的运移、沉降和再悬浮等研究［1-3］。浊度测量方法［4］是基于光衰减或散射的大小，以此为原理的浊度计广泛应用于海洋调查中。根据浊度的测量原理，由浊度计测量的浊度与水体的后向散射系数应有很强的相关性，因此，基于此相关性可由后向散射系数导出浊度。基于以上的理论知识，胡静雯等［4］利用水色卫星数据成功地反演了东中国海的浊度分布。另外，利用遥感反射率等数据也可以反演获得浊度数据，如Qiu等［5］利用GOCI卫星传感器瑞利散射校正后的反射率数据反演获得了浙江近岸水体浊度数据，为浊度的反演提供了一种新的方法。

MODIS卫星传感器自2002年发射以来，积累了10多年高质量的数据，是目前最为成功的水色卫星之一。MODIS卫星数据的波段包括了海洋波段、陆地波段及用于大气研究的波段。海洋波段的地面空间分辨率为1 km，具有较高的信噪比。陆地波段分辨率分为500 m（469 nm和555 nm）和250 m（645 nm），但其信噪比较低。Chen等［6］研究发现，对于近岸水体，大气校正后，陆地波段的信号与海洋波段的信号的信噪比相当。进一步的研究发现，在非常混浊的水体，MODIS海洋波段中的红波段（如667 nm）经常出现饱和现象，基于此波段的反演算法（如标准的QAA算法）不能正常工作，而陆地波段的645 nm则不会出现该现象。为了使QAA反演算法可应用于混浊的水体，Chen and Zhang（2015）［7］提出了基于陆地波段的红绿波段比值的QAA反演算法。结果表明，该算法不仅适用于一般混浊的近岸水体，也适合非常混浊的水体。另外，基于陆地波段的反演产品还具有至少500 m的较高分辨率数据。近岸水体具有高的时空间变化特点，这要求卫星传感器数据具有高的可靠性，同时具备高的空间分辨率。MODIS陆地波段数据可很好地满足近岸水体的监测。

本研究将以具有高混浊度的渤海为例，评估基于MODIS陆地波段数据获取渤海高分辨率浊度分布的有效性，最终目的是为近岸水体水质的监测提供有力的工具。

1　数据与方法

1.1数据来源

本研究所利用的数据主要由两大部分组成，分别是卫星数据和现场观测数据。其中，卫星数据是指搭载在美国对地观测卫星Aqua上的MODIS 500 m分辨率的遥感反射率数据，该数据是由SeaDAS 6.4处理其对应的L1A数据所得，L1A数据及SeaDAS 6.4均可通过以下网址下载得到，http://oceancolor.gsfc.nasa.gov。在利用SeaDAS 6.4获取遥感反射率时，大气校正方法采用的是Wang［8］所提出的短波红外大气校正算法。现场观测数据是指水体的浊度，该数据是利用Seapoint公司的Turbidity Meter在渤海现场测量所得，在现场测量海水浊度时，为减少船舶对水体扰动等的干扰，测量是在船停后半小时进行的，能够尽量保证现场测量的浊度数据与实际情况相符，保证数据的可靠性。测得的浊度数据范围在0.2～26 FTU。其测量时间和测量站位信息如图1所示。该现场浊度数据用于印证反演算法的性能。

图1　渤海浊度现场测量站位分布

1.2基于MODIS陆地波段的浊度遥感反演方法

利用Chen and Zhang［7］所提出的基于MODIS陆地波段的固有光学性质反演算法（QAA-RGR）以及固有光学性质中后向散射系数与浊度的高度相关性，可利用QAA-RGR算法由MODIS陆地波段遥感反射率数据得到颗粒物后向散射系数bbp532，进而利用胡静雯等［4］提出的颗粒物后向散射系数与浊度的关系式（1）得到浊度值。该关系式是利用国家自然科学基金委渤黄海航次现场实测的颗粒物后向散射系数和浊度数据统计后拟合得出的，在渤海有较好的适用性。基于MODIS陆地波段的浊度遥感反演方法建立流程如图2所示。

图2　基于MODIS陆地波段浊度遥感反演算法流程

1.3印证方法

为了印证本文所提出的基于MODIS陆地波段的浊度反演算法（本文简称QAA-RGR反演算法），本研究采取如图3所示的方法对其进行印证。

首先，利用现场实测浊度数据定量评估其反演性能。卫星数据由1.2所述方法处理得到浊度值。在建立实测数据与卫星数据的匹配时，鉴于本研究的目标海域在时空尺度上高度变化的特点，本研究采用更为严格的匹配方法，具体如下：时间窗口（卫星过境时间与现场测量时间间隔）限定在±1 h，空间窗口为现场测量位置周围至少60%以上像素为有效值的3*3像素空间内中心经纬度距现场测量位置经纬度最近像元点的值。用于定量评估反演性能的统计参数分别为相关系数（R2）、均方根误差（RMSE）、相对误差（RE）。它们的定义分别如下：

在定量评估中，对MODIS海洋波段遥感反射率数据采用传统的标准QAAv5算法［9］得到颗粒物后向散射系数bbp532，再根据bbp532与浊度的关系式（1）得到浊度值。然后将标准QAAv5反演算法反演结果与现场浊度数据对比，并和QAA-RGR反演算法与现场浊度数据对比结果进行比较分析，进一步评价QAA-RGR反演算法的反演性能。

其次，选取了渤海海域晴朗无云的一天，分别利用QAA-RGR反演算法和标准QAAv5反演算法反演获得当天的浊度值，并选取如图1所示B断面对比分析QAA-RGR反演算法和标准QAAv5反演算法反演结果，比较QAA-RGR反演算法与标准QAAv5反演算法在空间特征分辨上的差异，定性地评估QAA-RGR反演算法反演性能。

图3　印证方法流程框图

2　结果分析

2.1卫星反演结果与现场测量的匹配比较

按照1.3节所述的时空匹配方法，获得了满足时空匹配条件的14组数据，分别应用标准QAAv5反演算法和QAA-RGR反演算法反演得到浊度值，并与现场测量浊度数据比较，结果如图4所示，统计结果如表1所示。结合图4与表1，可知标准QAAv5反演算法反演的浊度值与实测值的相关系数R2=0.981，均方根误差RMSE=0.643 FTU，QAARGR反演算法反演的浊度值与实测值的相关系数R2=0.985，均方根误差RMSE=0.867 FTU，两种反演算法与实测值均有很高的相关性。也发现标准QAAv5反演算法反演浊度数值比实测值低，标准QAAv5反演算法反演结果与实测值的相对误差为26.39%，QAA-RGR反演算法反演结果与实测值的相对误差为12.73%，QAA-RGR反演算法反演结果与实测值相对误差更小，准确性更高。所以QAARGR反演算法应用于MODIS浊度数据反演得到的结果更可靠。

表1　标准QAAv5反演算法与QAA-RGR反演算法反演浊度与现场浊度数据的统计结果

图4　分别利用QAA-RGR反演算法与标准QAAv5反演算法所反演的浊度与实测进行比较结果

2.2卫星反演结果空间分布的比较

从上节两种反演方法与匹配的现场测量数据对比分析来看，QAA-RGR反演算法具有更高的反演精度。本节主要进一步从浊度空间分布上比较QAA-RGR反演算法与标准QAAv5反演算法的反演结果在空间特征分辨上的差异。以2013年2月2日为例，具体对比两种算法结果在空间特征分辨上的差异。

图5为两种算法反演结果的直接显示图，图中在辽东湾海域有空白数据缺失处，这些地方是受到海冰、云等因素影响，造成了这些地方的数据缺失。标准QAAv5反演算法数据分辨率为1 km，得到的浊度分布图像较小，包含的细节信息少；QAA-RGR反演算法数据分辨率为500 m，得到的浊度分布图像更大，包含的细节信息更丰富，浊度分布细节更清晰。从图5可以看出，除去受海冰影响的辽东湾，渤海的莱州湾、渤海湾等海域是浊度的高值区，而且在辽东湾南端的辽东浅滩海域浊度也较高。辽东浅滩海域地形为沙脊群落［10-11］，沙脊呈条状分布，这些沙脊是由泥沙等物质堆积而成，波浪和潮流是沙脊形成的主要动力因素［12-13］，因此，受地形、波浪及潮流的影响，该海域浊度呈现高低间隔分布的特征。对该海域选取如图1所示断面，对比两种反演算法在该断面上的结果，如图6所示。从图6可以看出，整个断面QAA-RGR反演算法反演的浊度值比标准QAAv5反演算法反演的浊度值高；在辽东湾南端的浊度较高区域，即沙脊群落海域，QAARGR反演算法在更小尺度上清晰地呈现出这片海域浊度高低间隔分布的细节特征，而标准QAAv5反演算法反演结果只能反映出较大尺度上浊度的分布，分辨浊度高低间隔细节分布的能力比QAA-RGR反演算法差。因此，QAA-RGR反演算法提高了反演结果的空间分辨率，能更清晰地表现出浊度变化的细节特征。

2.3渤海浊度的季节变化特征

通过上述分析，QAA-RGR反演算法用于渤海浊度值反演性能优良，因此，本研究运用QAARGR反演算法，选取2013年四个季节代表性月份—春季（4月）、夏季（7月）、秋季（10月）、冬季（1月）的MODIS数据，利用平均法对该月有效数据平均处理得到渤海四个季节浊度的空间分布，结果如图7所示，图中有数据缺失处，这是由于海冰、云等因素造成的。浊度的季节分布图是将的得出的浊度数据去掉陆地部分，将海洋上的有效数据叠加到GOOGLE地图上保存得到的，由于GOOGLE地图会定时更新，这样可以得到更符合实际情况的海岸线。

图5　2013年2月2日标准QAAv5反演算法与红绿波段比值反演算法反演的渤海浊度分布

图6　2013年2月2日标准QAAv5反演算法与红绿波段比值反演算法在辽东浅滩海域反演的对比

图7　QAA-RGR反演算法反演的渤海四季浊度分布

从图7可以看出，在季节变化上，冬季，渤海整体浊度维持在一个较高的水平上，莱州湾、渤海湾、辽东湾海域是浊度的高值区，在渤海海峡中部、渤海靠近秦皇岛近海存在低值带区，莱州湾浊度较高的水体沿山东半岛北岸由渤海海峡输往北黄海；春季，浊度高值区范围比冬季有明显的收缩，渤海浊度的高值区主要在黄河河口、渤海湾、辽东湾湾底，渤海海峡中部浊度较低，在辽东浅滩海域浊度相对较高，莱州湾浊度较高的水体向黄海输送趋势明显减弱；夏季，渤海整体的浊度减小为一年中的最小值，渤海大部分海域浊度较低，高值区域进一步缩小，限制在黄河河口、渤海湾沿岸、辽东湾湾底近岸区域；秋季，渤海大部分海域浊度增大，高值区域也由近岸区域扩大至莱州湾、渤海湾、辽东湾湾底等区域，渤海中部的浊度相对较高区域浊度也逐渐增大。

渤海浊度的时空分布变化特征是陆源输入、季风、跃层、潮流以及环流等因素综合作用造成的。冬季，渤海常发大风天气［14］，受季风的影响，容易造成渤海底部沉积物再悬浮［15-16］，同时海水的扰动也阻止了海水中悬浮物的下沉，使浊度增大。渤海水深较浅，会加剧这种作用的效果，使渤海浊度整体维持在较高的水平上。另外，潮流以及环流对沉积物、悬浮物的输送［17-21］，也会导致浊度升高，高值区域增大。春季，由于季风影响减弱，同时海水跃层逐渐形成［22］，海水的上下混合作用减弱，使浊度值相比冬季减小，高值区域缩小。夏季，由于受南风或东南季风控制，风速较小，海水扰动作用较小，同时跃层的存在也减弱了海水的上下混合［23-24］，渤海大部分海域浊度达到一年中最低值。由于夏季入海径流流量增大，大量泥沙等陆源物质入海［15，25］，黄河河口、渤海湾沿岸、辽东湾湾底近岸区域仍是浊度高值区。秋季，季风转换，由南风或东南风逐渐变为北风或西北风，风速增大，海水跃层强度逐渐减弱，使海水的上下混合作用增强，浊度逐渐增大，高值区域也逐渐增大。

3　结论

本文利用MODIS陆地波段数据，利用Chen and Zhang提出的QAA-RGR算法和胡静雯等得出的后向散射系数与浊度的关系式，印证了QAARGR反演算法反演浊度的有效性，得出了以下结论：（1）通过与匹配的现场浊度数据对比分析，QAA-RGR反演算法反演结果与实测值的相对误差为12.73%，相比传统的标准QAAv5反演算法，反演精度提高了近一倍，QAA-RGR反演算法结果更可靠；（2）基于MODIS陆地数据的QAA-RGR反演算法提高了空间分辨率，能清晰地表现出浊度变化的细节特征；（3）利用QAA-RGR反演算法反演得到的2013年四个季节渤海的浊度空间分布，渤海浊度在空间分布上，呈现近岸高、远岸低的特征，同时渤海浊度季节变化特征明显，总体态势是秋冬高、春夏低。渤海浊度的这种时空分布特征除受陆源输入和河流输入等的影响外，季风、跃层、潮流以及环流等因素也是造成这种特征分布的重要原因。

致谢：感谢所有出海实验人员为现场测量数据付出的辛勤劳动，也感谢美国国家航天航空局（NASA）提供的MODIS Aqua数据以及数据处理软件SeaDAS。

［1］翟世奎，张怀静，范德江，等.长江口及其邻近海域悬浮物浓度和浊度的对应关系［J］.环境科学学报，2005，05：693-699.

［2］Lewis J，Eads R.Turbidity-Controlled Suspended Sediment Sampling［J］.Water Resources Research，1996，32（7）：2299-2310.

［3］Rim Katlane，Bouchra Nechad，Kevin Ruddick，et al.Optical Remote Sensing of Turbidity and Total Suspended Matter in the Gulf of Gabes［J］.Arabian Journal ofGeosciences，2013，6（5）：1527-1535.

［4］胡静雯，陈树果，张亭禄，等.利用MODIS卫星遥感数据监测东中国海浊度的时空分布［J］.海洋环境科学，2015，04：564-569.

［5］Chen S，ZhangT，Hu L.Evaluation ofthe NIR-SWIR Atmospheric Correction Algorithmfor MODIS-Aqua over the Eastern China Seas［J］.International Journal ofRemote Sensing，2014，35（11-12）：4239-4251.

［6］Chen S，ZhangT.Evaluation ofa QAA-Based AlgorithmUsingMODISLand Bands Data for Retrieval ofIOPs in the Eastern China Sea［J］.Optics Express，2015，23（11）：13953-13971.

［7］Qiu Z，Zheng L，Zhou Y，et al.Innovative GOCI Algorithm to Derive Turbidity in Highly Turbid Waters：A Case Study in the Zhejiang Coastal Area［J］.Optics Express，2015，23（19）：A1179-A1193.

［8］Bailey S W，Werdell P J.A Multi-Sensor Approach for the On-Orbit Validation of Ocean Color Satellite Data Products［J］.Remote SensingofEnvironment，2006，102（1）：12-23.

［9］Wang Menghua.Remote Sensing of the Ocean Contributions from Ultraviolet to Near-Infrared Using the Shortwave Infrared Bands：Simulations［J］.Applied optics，2007，46（9）：1535-1547

［10］Lee Z P，Lubac B，Werdell J，et al.An Update of the Quasi-Analytical Algorithm（QAA_v5）［R］.International Ocean Color Group Software Report，2009.

［11］许东禹，刘锡清，张训华，等.中国近海地质［M］.北京：地质出版社，1997.

［12］陈义兰，吴永亭，刘晓瑜，周兴华，雷宁.渤海海底地形特征［J］.海洋科学进展，2013（1）：75-82.

［13］朱玉荣.潮流场对渤、黄、东海陆架底质分布的控制作用［J］.海洋地质与第四纪地质，2001，21（2）：7-13.

［14］张子鹏，吴建政，苗丰民，等.辽东湾东部水下沙脊成因机制［J］.海洋地质动态，2008，24（5）：6-13.

［15］傅命佐，徐孝诗，程振波，等.黄渤海海岸季节性风沙气候环境［J］.中国沙漠，1994，14（1）：31-40.

［16］秦蕴珊，李凡.渤海海水中悬浮体的研究［J］.海洋学报（中文版），1982，4（2）：191-200.

［17］JiangW，Pohlmann T，Sun J，et al.SPMTransport in the Bohai Sea：Field Experiments and Numerical Modelling［J］.Journal ofMarine Systems，2004，44（3）：175-188.

［18］崔廷伟，张杰，马毅，等.渤海悬浮物分布的遥感研究［J］.海洋学报（中文版），2009，31（5）：10-18.

［19］江文胜，苏健，杨华，等.渤海悬浮物浓度分布和水动力特征的关系［J］.海洋学报，2002，（Z1）：212-218.

［20］庞重光，李坤，于炜，等.渤海表层悬沙的时空分布特征及其动力成因［J］.海洋科学进展，2014，32（4）：450-458.

［21］Cui T，ZhangJ，GroomS，et al.Validation ofMERIS Ocean-Color Products in the Bohai Sea：A Case Study for Turbid Coastal Waters［J］.Remote SensingofEnvironment，2010，114（10）：2326-2336.

［22］赵保仁，庄国文，曹德明，等.渤海的环流、潮余流及其对沉积物分布的影响［J］.海洋与湖沼，1995，26（5）：466-473.

［23］屠金钊.渤、黄海温度跃层的分布与变化［J］.海洋通报，1992，11（4）：27-32.

［24］刘哲，魏皓，蒋松年.渤海多年月平均温盐场的季节变化特征及形成机制的初步分析 ［J］.青岛海洋大学学报：自然科学版，2003，01：7-14.

［25］张勐宁，刘金芳，毛可修，等.中国海温度跃层分布特征概况［J］.海洋预报，2006，23（4）：51-58.

［26］张经，黄薇文，刘敏光.黄河口及邻近海域中悬浮体的分布特征和季节性变化［J］.山东海洋学院学报，1985，15（2）：96-104.

Remote Sensing Retrieval Algorithm for the Turbidity in Coastal Waters Using MODIS Land Band Data

WANG Jiang-guo，CHEN Shu-guo，ZHANG Ting-lu
Department of Marine Technology，College of Information Science and Engineering，Ocean University of China，Qingdao 266100，Shandong Province，China

A remote sensing retrieval algorithm is proposed for the turbidity in coastal waters，which applies the moderate imaging spectroradiometer（MODIS）land band data（469，555 and 645 nm）.The retrieval performance has been evaluated using in-situ measurements from the Bohai Sea after applying a strict temporal and spatial matching-up method.The evaluation results demonstrate that the relative error between the results retrieved from the quasi-analytical algorithm based on red-green-band-ratio（QAA-RGR）and in-situ measurements is 12.7%，and that between the results retrieved from the standard quasi-analytical algorithm version 5（QAA-v5）and insitu measurements is 26.4%，proving that the results retrieved from QAA-RGR based on MODIS land band data are more reliable.In addition，the results retrieved from QAA-RGR based on MODIS land band data have a higher spatial resolution and could exhibit much clearer distribution characteristics of turbidity，such as the distribution of sand ridges in the south of Liaodong Bay.Finally，the seasonal distribution characteristics of turbidity in the Bohai Sea are constructed using the QAA-RGR algorithm based on MODIS land band data，and the analysis results show that the distribution characteristics are reasonable.

MODIS；land band；turbidity；remote sensing retrieval；Bohai Sea

P733.3

A

1003-2029（2016）04-0020-06

10.3969/j.issn.1003-2029.2016.04.004

2016-01-15

国家自然科学基金资助项目（41276041）

王建国（1989-），男，硕士研究生，主要从事海洋光学遥感研究。E-mail：wangjg8955@163.com