基于Landsat 8 影像的后官湖叶绿素a 浓度反演研究

刘 威，蔡永香，甘艺垚，王 倩，黄 爽，王雨轩

（长江大学 地球科学学院，湖北 武汉 430100）

水质监测技术是评价水质污染情况的主要手段。湖泊中叶绿素a 浓度反映了水体中藻类等浮游植物的分布情况，是衡量水体营养化的重要指标之一［1］。

遥感技术具有卫星运行周期快、影像覆盖面积广、获取数据方便等优势，可以突破时间和空间上的限制，利用遥感数据在可见光波段和近红外波段对叶绿素a 的高吸收率和高反射率的光学性质，构建反演模型，预测水体叶绿素a 浓度的分布情况，可以极大提升水质监测效率［2］。但由于不同区域内陆水体的水质参数存在较大差异，所使用传感器的空间分辨率和辐射分辨率也存在较大区别，导致不同水体的反演模型不尽相同。

国外对湖泊叶绿素a 浓度的研究较多。Kuhn 等［3］分别利用Landsat 8 和Sentinel-2 影像对亚马孙河、哥伦比亚河和密西西比河水体叶绿素a 浓度进行反演研究，结果表明Landsat8 影像数据在亚马孙河上反演精度最高（平均差异仅4%）。Anas 等［4］分别对尚普兰湖、密西西比湾、布罗姆湖以及奈恩湖的MODIS 数据进行波段组合以及三波段比值的方法来估算叶绿素a 浓度，结果表明蓝光波段、红色波段以及近红外波段是叶绿素a 浓度反演的敏感波段。Han 等［5］利用高光谱数据直接分析一个较为混浊的水库，研究结果显示R705/R670（近红外/红外）是叶绿素a 浓度反演的有效因子。国内也有诸多相应的研究，赵文宇等［6］利用Landsat 8 数据对东道海子河流叶绿素a 浓度进行单波段和波段比值研究，通过统计分析得到最佳模型，并应用到不同年份影像上，监测东道海子河流叶绿素a 浓度时序分布状况。封红娥等［7］利用GF-1 和Landsat 8数据，分别以单波段替代、单波段融合和三波段融合的协同反演方法，分析空间分辨率和光谱分辨率在多源遥感数据中对于提高内陆水体叶绿素a 浓度的影像特征，结果发现在近红外波段处，影像光谱分辨率的影响大于空间分辨率，在蓝光和红光波段处反之。

2009 年3 月，武汉市委、市政府在“关于印发《2009 年武汉市资源节约型和环境友好型社会建设综合配套改革试验工作意见》的通知”（武发〔2009〕6 号）中指出，后官湖生态宜居新城将作为全市规划建设的六大重点功能区之一，而后官湖的水质质量将直接影响生态宜居新城的建设。因此，后官湖水质评估与监测对蔡甸后官湖生态宜居新城建设起至关重要的作用，对武汉市发展也具有重大战略意义。

本文基于Landsat 8 OLI30 m 空间分辨率多光谱影像数据，对武汉后官湖水体中叶绿素a 浓度状况展开研究。①野外采集，获取研究水域叶绿素a 浓度实测数据，并获取同期的遥感影像数据；②分析相关文献，确定反演叶绿素a 的敏感波段，结合实测数据，进行单波段和波段组合相关性分析，确定最佳波段组合；③采用交叉验证方法，确定叶绿素a 浓度的最佳反演模型；④将此最佳反演模型应用于2015—2020 年六幅影像数据上，得到后官湖水域2015—2020 年间的水体叶绿素a 浓度分布情况，并对后官湖水域状况进行分析。

1 研究区概况

后官湖地处武汉蔡甸区（图1），中心位于30°30'2″～30°34'31″ N，113°59'18″～114°8'49″ E，区位优越，交通便利，占地面积3 186.3 hm2，是蔡甸东湖的一部分，随着城市化进程，后官湖成为独立湖泊。周边为后官湖国家湿地公园，是武汉重点保护水域之一。但近年来，社会经济发展迅猛，人口密度增大，城镇化、工业化进程加快，污染日益严重，大量生活、工农业废水排放，导致湖水水质明显下降，水污染情况严峻。

图1 研究区位置示意图Fig.1 The location of study area

2 数据获取与预处理

选用Landsat 8 OLI 影像数据，它具有良好的空间分辨率，能够以更高精度提取地物、植被等信息。该影像数据是从地理空间数据云网站下载，也为后续研究提供了数据支持。

实测叶绿素a 浓度数据是在Landsat 8 OLI 影像数据卫星过境时间2019 年12 月17 日野外采集水样，在实验室通过分光光度法［8］换算得到。具体操作步骤参照实验室叶绿素a 浓度测定［9］。通过计算分析，剔除异常值后得到13 个，样本点的分布如图2 所示。

图2 采样点分布图Fig.2 Distribution of sampling points

经过辐射定标［10］、大气校正［11］、图像融合［12］和水域提取［13］后得到后官湖水体辐射亮度值。

3 叶绿素a 浓度反演模型构建及验证

3.1 叶绿素a 光谱特征分析

按照内陆水体叶绿素a 的光谱特性，其高反射率波段范围550～590 nm，675 nm 附近的吸收峰以及700 nm附近的反射峰是研究叶绿素a 反演的主要波段。因此，本文选用与上述波段范围相对应Landsat 8 OLI 遥感数据11 个波段中的前五个波段（B1—B5）来反演水体中的叶绿素a 浓度。

3.2 反演模型构建

3.2.1 波段及波段组合分析 通过调研相关文献［14-20］，总结近年来叶绿素a 浓度反演模型所用到的波段组合及其决定系数R2（表1），可以看出均为采用经验模型中的波段比值进行相关性分析。

表1 叶绿素a 浓度反演模型Tab.1 Introduction to chlorophyll a concentration inversion model

本文也将采用构建反演经验模型的方式［21］，对Landsat 8 OLI 数据前5 个波段及组合与实测数据进行了相关性统计分析，在表2 中列出单波段、波段比值以及常用的最佳反演NDVI 模型（归一化植被指数模型）在各类回归模型中与叶绿素a 实测浓度的Pearson 相关性。最终筛选出相关系数大于0.7 的波段组合B5/B2、B5/B3、B5/B4、B3/B1、NDVI。

表2 反演波段与叶绿素a 的Pearson 相关系数Tab.2 Pearson correlation coefficient between inversion band and chlorophyll a

3.2.2 Landsat 经验反演模型构建 对筛选出的相关性较高的五组波段组合，以叶绿素a 浓度为因变量，以波段组合值为自变量，分别构建不同回归方程进行拟合，见表3。

从表3 可知，模型相关性普遍较高，其中最高相关系数的是波段组合B5/B2 的指数模型，R2为0.755，最低相关系数是NDVI 的指数模型，R2为0.492。由于本次实验过程中实测叶绿素a 浓度点数据较少，在进行相关性统计分析时，容易产生“强拟合弱预测”的情况。因此在后续选择最佳反演模型时，采取多次交叉验证的方式，即每次从训练集中随机挑选10 个样本作为训练集/验证集数据展开训练，以减少训练数据少造成的实验误差影响。

表3 Landsat 反演模型与叶绿素a 浓度回归方程描述Tab.3 Landsat inversion model and chlorophyll a concentration regression equation description

3.2.3 最佳反演模型的选择 选择回归分析相关系数高的B5/B2、B5/B4、B3/B1 三组波段组合，采用多次交叉验证方式进行精度验证，取平均值作为最后的结果。其中，以平均相对误差、均方根误差（RMSE）作为精度的评价指标，平均相对误差和均方根误差结果见表4。

从表4 的精度分析来看，三种波段组合模型在相同数据样本条件下，反演得到的叶绿素a 浓度范围略有差距，但从平均相对误差和均方根 误差的数据来分析，B5/B4 的指数模型误差要远小于其他模型，其相对误差和均方根误差分别为11.4%，0.006。将反演叶绿素a 浓度值与实测值进行制图对比，如图3 所示，可以看出实测浓度与反演浓度相差不大。这说明B5/B4 指数模型y=0.011e29.168x反演效果较好，选取它作为最佳模型，应用于其他年份的影像数据上，反演得到后官湖水体的叶绿素a 浓度变化情况。

图3 叶绿素a 浓度实测值与反演值折线图Fig.3 Broken line graph of measured and inverted chlorophyll a concentration

表4 Landsat 反演模型精度对比分析Tab.4 Comparison and analysis of landsat inversion model accuracy

4 模型的应用

4.1 后官湖水体营养化状态评价方法

卡尔森营养状态指数法是由美国卡尔森提出［22］，并在国内外广泛用于评价内陆湖泊水体营养化的评价方法。其计算公式为：

式中：Its表示卡尔森营养状态指数，Ca 表示水体叶绿素a 浓度（μg/L）。

将前文中得到的叶绿素a 浓度最佳反演模型y=0.011e29.168x带入式（1）中，即可计算得到水体Its指数值。不同叶绿素a 浓度范围对应不同水体营养等级，划分标准见表5［23］。

表5 水体营养状态划分标准Tab.5 Standards for the classification of water nutrition status

4.2 叶绿素a 浓度时空分布分析

将上述反演模型和卡尔森营养状态指数应用于经过预处理的2015—2020 年Landsat 8 OLI 影像数据中，计算分析得到这六年间后官湖叶绿素a 浓度时空分布图（图4）和水体各等级营养状态面积占比表（表6）。

从表6 可看出，在2015—2020 年间，后官湖大部分水域都处于中营养和轻度富营养状况，从2015 年开始，水质在逐渐富营养化，2018 年表现尤为突出，但从2019 年水体营养化程度开始回落，水质在逐渐好转。

表6 各等级营养状态面积占比Tab.6 Proportion of the area of each grade of nutritional status%

2015—2020 年间每年11—12 月份的叶绿素a 浓度时空分布如图4 所示。从空间分布上看，远离市区的西侧水体叶绿素a 浓度低，靠近居民区的东侧浓度较高；湖心水域浓度主要集中在5～7 μg/L 范围内，属于水质较好的中营养状态水体，而湖岸水域浓度主要集中于35～50 μg/L 范围内，少数年份超过55.67 μg/L，属于中度或重度富营养状态的水体。这可能是由于后官湖属于城内湖泊，受人为因素影响较大，靠近居民区的附近水体营养过剩，且数据采集时间是冬季，湖泊水体流动性差，造成靠岸绿藻大量生长所致。尤其在靠近蔡甸区政府的湖区，叶绿素a 浓度明显高于其他水域。

图4 2015—2020 年叶绿素a 浓度时空分布图Fig.4 Temporal and spatial distribution of chlorophyll a concentration from 2015 to 2020

在时间分布特征上，从2015 年开始，后官湖水质逐渐恶化，2018 年水质最差，后官湖叶绿素a 浓度达到最高浓度值64.872 μg/L，水体中富含蓝藻和绿藻，局部水域存在水华问题，这可能与附近居民水产养殖有关。但这一情况2019 年得到好转，并在2020 年叶绿素a 的浓度持续下降，这可能与疫情导致人为活动减少，给水体带来的影响也减少有关。

此外，本文计算制作了2020 年后官湖在不同月份（季节）叶绿素a 浓度的时空分布图（图5）。从图5 可以看出，2020 年8 月份（夏季）和11 月份（秋季）的叶绿素a 浓度在整体水平上高于2 月份（冬季）和4 月份（春季），其中，8 月份的叶绿素a 浓度最高。在四个季节的平均叶绿素a 浓度水平上，2 月份平均浓度为24.255 μg/L，4 月份为20.413 μg/L，8 月份为35.274 μg/L，11 月份为30.411 μg/L。这与冬季寒冷，水体中藻类在寒冬气候下大量死亡有关；另方面，也与2020 年年初受疫情影响，人为活动减少，对水体的影响也减少有关。

图5 2020 年不同月份（季节）叶绿素a 浓度时空分布图Fig.5 Spatio-temporal distribution of chlorophyll a concentration in different months（seasons）in 2020

总体来看，后官湖水域在2015—2020 年六年间，叶绿素a 浓度平均含量变化不大，只在局部区域的特定时间段内出现叶绿素a 浓度有所升高的情况。在不同季节叶绿素a 浓度大致表现为夏季、秋季大于春季、冬季。

5 结论

基于遥感和GIS 技术，利用叶绿素a 浓度实测数据和地面同步的Landsat 8 OLI 遥感影像数据，建立叶绿素a 浓度反演模型，分析了近6 年武汉后官湖叶绿素a 浓度的时空分布情况，研究结果如下。

（1）在分析相关文献的基础上，利用Landsat 8 OLI 的前五个波段构建波段及波段组合模型，并通过统计学方法，确定出最优的后官湖水体叶绿素a 浓度反演模型是B5/B4 指数模型y=0.011e29.168x。

（2）利用该模型反演出2015—2020 年后官湖叶绿素a 浓度分布情况，并计算分析了六年间后官湖水质的营养化状态。从后官湖水体叶绿素a 浓度和营养化状态的空间分布特征来看，湖心水域浓度主要集中在5～7 μg/L 范围内，湖岸水域浓度主要集中于35～50 μg/L 范围内，呈现自西向东逐渐增加，湖心低于湖岸的趋势；在时间分布特征上，从2015 年开始，水质逐渐恶化，2018 年达到浓度异常高值64.872 μg/L，部分水域处于重度富营养化状况，但从2019 年水体富营养化程度开始回落，水质在逐渐好转，且在不同季节中，水质呈现春季、冬季优于夏季、秋季的趋势。