基于高分遥感技术的湖泊叶绿素a浓度反演分析

涂 明 章李乐

(1.南昌市水利规划服务中心，江西 南昌 330009；2.南昌市水利规划设计院，江西 南昌 330009)

南昌市瑶湖是红旗联圩内最大的湖泊。它既是红旗联圩区域最大涝水调蓄区，又是区内16万余亩农田的蓄水灌溉水源。瑶湖四周岸线长约37km，集水面积为47km2，湖面面积为18km2。水质监测评价是水资源管理的一项重要的工作[1]。相较于水资源的实地调研、稽查成本过高，水生态环境遥感监测技术[2]具有覆盖面广、分析速度快、监测结果准确可靠和信息量大的优势，可显著提高全市水生态环境监测水平。本文采用水生态环境遥感监测技术，基于国产高分一号影像数据，根据污染水的光谱效应，建立河湖参数遥感反演模型，通过对河湖叶绿素浓度a(CHIa)浓度分布监测成果进行浓度分布及变化情况分析。

1 数据选取与预处理

1.1 数据选取

选取表1中叶绿素a浓度采样点实测数据作为本次研究的样点数据。

表1 南昌市瑶湖叶绿素a浓度采样实测值[3]

根据研究和实验需要，获取到10处景数的影像用于分析与研究，见表2。

表2 遥感影像数据获取与覆盖情况统计表

1.2 数据预处理

根据影像查询获取结果，本次实验以高分一号遥感影像为主，补充GF1B遥感数据，辅以Landsat影像数据。高分一号(GF-1)卫星是我国自主研发的第一颗高分辨率卫星，该卫星搭载了一台2m分辨率全色相机(PMS)、一台8m分辨率多光谱相机(MMS)和4台16m分辨率多光谱相机(WFV)，具有高、中空间分辨率对地观测和大幅宽成像结合的特点，2m分辨率全色和8m分辨率多光谱图像组合幅宽优于60km，16m分辨率多光谱图像组合幅宽优于800km，为国际同类卫星观测幅宽的最高水平，大幅提升观测能力，并对大尺度地表观测和环境监测具有独特优势。其特点是增加了高分辨率多光谱相机，该相机的性能在国内投入运行的对地观测卫星中最强。

(1)辐射定标

辐射定标是将传感器记录的电压或数字量化值(DN)转换成绝对辐射亮度值(辐射率)的过程，或者转换成与地表(表现)反射率、表面温度等物理量有关的相对值的处理过程。本文采用ENVI5.3提供的Landsat Calibration模块辐射定标模块和我司自主研发的PIE-Basic软件的辐射定标模块，分别对Landsat和高分系列影像数据进行辐射定标处理。

(2)大气校正

本文采用ENVI5.3软件中的QUAC快速大气校正模型和我司自主研发的PIE-Basic软件的大气校正模块分别对Landsat和高分系列影像数据进行大气校正，高保真地恢复地物波谱信息，获得地物比较准确的地表温度、反射率以及辐射率等真实物理模型参数。基于像元进行校正，首先进行辐射亮度位的转换；然后再进行储存顺序调整，将其调整为BIL格式；最后进行参数的输入。同时可以校正漫反射引起的邻域效应。

(3)正射融合

将大气校正后的数据在我司自主研发的PIE-ortho软件里进行流程化正射融合，获取研究所需的正射融合影像。其中全色影像选择辐射定标后数据，多光谱影像选择大气校正后数据，基准影像选择用户认可的基准2m影像，DEM使用的是ASTER 30m数据。并对正射融合后的数据进行质检，对不满足精度要求的数据进行几何校正。

(4)几何校正

以提供的2020-04-28南昌影像作为基准影像数据，利用ARCGIS中的地理配准模块或我司自主研发的PIE-ortho完成几何校正。图像重采样采用最邻近点法，这种方法可以避免光谱信息的丢失。影像的投影选择和基准影像一致，使样点数据定位坐标和遥感影像投影坐标精确匹配。在确定投影参数后进行控制点GCP采集，控制总误差RMS在0.5～1像元内，确保几何校正效果理想。

2 反演模型的构建与评价

2.1 反演模型的构建

查询有关基于Landsat和GF-1影像对叶绿素a浓度遥感反演研究的模型经验公式。利用Landsat影像进行经验公式反演与验证，结合对照实验数据，对比GF-1卫星影像经验公式反演值采用半经验、半分析的方法对研究区创建河湖参数遥感反演模型，并对叶绿素a(CHIa)浓度等河湖特性参数指标进行模型反演监测。

2.2 反演模型的评价

基于控制组Y值和实验组X值的回归分析可以对两组数据进行相关性分析与验证，使用皮尔逊相关系数R和可决定系数R2来评价回归模型的拟合度和相关性。其计算方法如下：

表3 叶绿素a浓度遥感反演模型研究成果

(1)

对于模型的精度和稳健性评价，使用均方根误差(RMSE)、平均相对误差(MRE)和平均绝对误差(MAE)，均方根误差可表明N组实验结果中控制组Y值和实验组X值的离散程度，平均相对误差和平均绝对误差则反映了偏差程度。其计算方法如下：

(2)

(3)

(4)

3 两种反演模型的构建与验证分析

3.1 Landsat反演模型确定与验证

以查询到的瑶湖2008年6月实测叶绿素a浓度为控制组数据，对2008年6月时相前后的Landsat影像覆盖数据进行L1—L4经验公式反演计算值作为实验组数据。提取样点坐标对应单点像元值和半径45m像元均值(半径45m是根据Landsat影像分辨率结合九宫格方法来确定的，可以有效消除偶然性误差带来的影响)的叶绿素a浓度模型反演值进行相关性分析和模型反演精度验证，统计结果见表4。

表4 Landsat反演模型相关性分析与精度验证表

由统计表结果可以看出L1—L3经验公式反演叶绿素a浓度单点像元值相关性拟合度R2值均小于0.5，认为模型的模拟效果很差，L4拟合度R2值为0.8555，模型表现很好；反演叶绿素a浓度半径45m像元均值相关性L1、L2拟合度R2值在0.66～0.81之间模型是近似模拟，L3、L4拟合度R2值大于0.91，模型的拟合效果精确，且模型L4拟合度R2值最高。

综合可以得出L3模型离散程度和偏差程度值较小，反映的精度较好，消除单点像元值偶然误差影响，L3模型可以表现出较精确的拟合效果；L4模型的拟合效果是精确的，但模型的离散程度和偏差程度值较高，反映的精度较差，这是由于模型参数常量值不合理。通过逆推运算，对L4模型进行参数常量调整得到模型经验公式L5如下式(5)。

CHIa=00088×(B3+B4)+31507

(5)

以查询到的瑶湖2008年6月实测叶绿素a浓度为控制组数据，对2008年6月时相前后的Landsat影像覆盖数据进行L5型模反演计算值作为实验组数据。同样提取样点坐标对应单点像元值和半径45m像元均值的模型反演叶绿素a浓度值进行相关性分析和模型反演精度验证。根据表6，L5模型反演叶绿素a浓度值结果分析可以看出拟合度R2大于0.82，模型拟合效果很好，且离散程度和偏差程度值均较小，反映的精度较好。

表5 模型L4(B3+B4)逆推值表

表6 L5模型反演值相关性分析与精度验证表

图1 L4(B3+B4)逆推值的叶绿素a浓度参数常量调整模型

3.2 高分一号反演模型确定与验证

河湖特性参数指标叶绿素a(CHIa)浓度年度时空趋势变化需要综合考虑以下三点：①河湖水体污染物氮磷等含量变化(诱因包括工业、生活和畜牧养殖的污水排放、农业和水产养殖施肥灌溉、丰水期和枯水期等)；②季节气候变化(雨热条件等)；③区域地理位置(距离岸边与工业生活区的远近等)。

根据卢龙等[11]的研究，赣江水体总氮含量较高，总磷含量较低，且中下游整体高于上游，上游至下游氮磷营养盐浓度为上升趋势，主要来源为城镇生活污水和采矿及工业废水，以及来自农业面源的污染影响，距离工业生活区越近，受到的影响越大。赣江7月份为丰水期，1月份为枯水期，枯水期氮磷营养盐平均浓度显著高于丰水期，赣江水体丰水期的自净能力强于枯水期，赣江水体的自净能力和赣江水量呈正相关。水库和水利工程对赣江水体有一定的拦截和滞留作用，在微生物的分解作用下，水体的净化能力也有一定的增强。

根据查询获取到的2020年3—10月覆盖瑶湖的高分系列影像进行模型反演分析时空变化趋势(如图2所示)，结合研究区气候水文条件可知，模型L3反映的叶绿素a(CHIa)浓度年度时空趋势最符合。10月份反演结果表明点位yah3明显高于其它时期和 yah1、yah2两点，这是由于yah3更靠近生活区和水产养殖场地，受到人为因素影响较大导致。

图2 高分一号模型L3叶绿素a(CHIa)浓度反演值时空趋势变化

3.3 Landsat与高分一号模型反演值对比分析

模型L3对Landsat影像叶绿素a浓度反演结果拟合效果是准确的，且精度的反映也最好。以Landsat8-20200415模型L3反演叶绿素a浓度值为控制组数据；由查询的Landsat和高分系列影像波普信息对照表可以看出各影像源在蓝、绿、红、近红外四个波段具有相近的波谱范围值，对GF1-20200428运用G1—G3、L3和L5模型反演得到的叶绿素a浓度值作为实验组数据，设置对比试验，进行相关性分析和模型反演精度验证，统计结果见表7。

表7 Landsat与高分系列影像波普信息对照表

根据表8，对比分析结果可以看出，模型L3整体上拟合效果是很好的；排除单点像元值偶然误差影响，模型G2、G3和L3拟合表现也是精确的；模型G1整体拟合效果很差。

表8 Landsat与高分一号影像对比相关性分析表

根据表9，模型G3的离散程度和偏差程度值最高，反映的精度最差；模型L3的离散程度和偏差程度值较高，反映的精度较差；模型G2和L5离散程度和偏差程度值较小，反映的精度较高，且L5精度最高。

表9 Landsat与高分一号影像对比精度分析表

3.4 反演结果与分析

通过对实验区瑶湖进行的模型反演验证，并设置对照实验及对比实验。综合分析可以得出模型L3对于研究区的拟合效果是精确的，离散程度和偏差程度反映的精度误差也是可接受的。基于L3模型对研究区南昌市赣江流域2020-04-28高分一号遥感影像数据河湖特性参数叶绿素a浓度反演结果如图3所示，综合分析得出：

图3 南昌市赣江流域2020-04-28高分一号遥感影像叶绿素a浓度反演结果图

(1)实验区瑶湖叶绿素a浓度由东北向西南呈递增趋势，与获取的实测样点的大小变化相符，这是由于瑶湖是一个半封闭湖，仅有东支引抚河之水入瑶湖，经北支流入赣江南支河道，瑶湖水体流动活性和水量则为东北向西南递减，相关资料显示叶绿素a浓度与水体污染物氮磷含量强弱和藻类密度呈现正相关，而水体流动活性和水量越多，水体的净化能力越强，水体污染物氮磷含量和藻类密度越低。东部上瑶湖水体较封闭，与其它区域相比差异明显，很好的印证上述观点的正确性。

(2)瑶湖两侧靠近生活区和周边水产养殖区，叶绿素a浓度值较高，体现了城镇生活污水的排放和水产养殖饲喂导致这种上升趋势。

(3)研究区南昌市赣江流域由西南向东北流经南昌市后分三支向下游汇入鄱阳湖，叶绿素a浓度沿水流方向呈升高趋势。这与王毛兰等[12]研究相符合。

(4)赣江流经南昌市后主干流继续向北流去，与分出的赣江中支和南支相比，叶绿素a浓度在赣江中支和南支含量值更高。这是由于赣江主干流比中支和南支水量更丰沛，而且赣江中支流经蒋巷镇为南昌农副产品基地，南支流经南昌下游和工业园区南昌县，因此受城市工业和城镇生活污水的排放，以及农业面源的污染导致赣江中支和南支的氨氮和总磷含量明显高于赣江主干流。

4 结论

采用高分遥感技术对叶绿素a(CHIa)浓度等河湖特性参数指标进行监测，结果能够科学精确的表征湖泊生态特性。高分遥感技术覆盖面广、分析速度快、监测结果准确可靠和信息量大的特点对提高水生态环境监测水平具有重要的实际意义，为今后在水域污染监测提供新的解决方案。当然，后续在数据预处理和反演过程的自动化和实时性两个方面有待进一步研究，以实现水生态环境监测实时分析。